用动态的 3D 高斯人物场景在复杂运动和动态阴影中实现高质量的重建，具有较短的训练时间、绘制速度和重建质量。

Nov, 2023

我们提出了一种人体姿态模型，可表示与服装纹理、背景、光线条件、身体形状和摄像机视点无关的 RGB 和深度图像。通过开发一个综合训练数据的框架，我们学习了 CNN 模型并使用它们从真正的 RGB 和深度帧的人体动作视频中提取不变特征。在三个基准跨视图人体动作数据集的实验中，我们的算法在 RGB 和 RGB-D 动作识别方面明显优于现有方法。

Jul, 2017

提出了一种用于从单个 RGB 图像进行 3D 人体重建的基于图像引导的体积到体积的转换 CNN，通过 SMPL 模型生成密集的语义表示来减少与表面几何重建相关的歧义，将不同尺度的图像特征融合到三维空间中，并通过法线细化网络来进一步提高可见面细节的精度，使用所提出的体积法向投影层将其连接到体积生成网络中，并使用其中包含的 3D 真实世界人体模型数据集进行训练，实验表明该方法在前沿方法中表现优异。

Mar, 2019

本文提出了 ARCH（可动画重建的带衣人），这是一种新型的端到端框架，用于从单个图像准确重建可动画的 3D 带衣人。与现有方法相比，ARCH 是一个基于学习的姿势感知模型，可以从单个自由 RGB 图像中生成详细的 3D 带骨骼全身人型，该模型通过创建语义空间和语义变形场来减少姿势变化和遮挡引起的几何模糊。通过空间局部特征的隐式函数表示来学习详细的几何形状和外观，同时提出了对 3D 重建的每个像素进行透明度感知的可微分渲染的额外像素监督。实验结果表明，ARCH 可以提高带衣人的重建保真度，并且与公共数据集上最先进的方法相比，重建误差降低了 50％以上。文中还展示了许多文献中未曾见过的高质量可动画重建人型的定性实例。

Apr, 2020

这篇论文提出了一种名为 NormalGAN 的方法，使用对立学习的方式，从单张 RGB-D 图像中重建完整且详细的 3D 人体模型，该方法利用 Normal maps 编码的 3D 表面细节信息能够更好地学习几何细节，其性能优于其他表示方式，并且能够以 20fps 的速度在消费类 RGB-D 传感器上生成完整且详细的 3D 人体重建结果。

Jul, 2020

使用单幅图像进行实时推断和渲染逼真的三维人体外貌的 R$^2$Human 方法结合了隐式纹理场和显式神经渲染的优势，利用新的表示法 Z-map 并通过傅里叶占用场重建了精细的三维几何，从而在合成数据和挑战性的现实世界图像上取得了最先进的性能。

Dec, 2023

ELICIT 是一种基于 3D 几何和视觉语义先验的模型，借助于 CLIP 模型以及基于分割的采样策略，可以从单张图片中生成逼真的、可动画的 3D 人体模型。

Dec, 2022

利用几何约束和物理先验来提高动态人体重建的质量和稳定性，实现更准确的图像和新视角合成。

Nov, 2023

通过使用一阶微分特性 (即，表面法线)，本文展示了训练神经表示形成高准确度的 3D 表面重建，即使只有两个 RGB 视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。

Jun, 2024

本文提出了一种方法，将人体模型与可微分渲染相结合，从多视点 RGB 视频中创建可动态的穿着衣服的人形化身，其具有细节化的几何结构，并且能够适应超出分布范围的姿势。

Oct, 2022