本文提出了一个高效的三维服装化身重建框架。该框架通过高精度的基于优化的方法和高效的基于学习的方法相结合，以从单个图像中实现高保真度的服装化身重建为目标。通过在规范空间中以基于学习的方式使用隐式模型来学习人的一般形状，并通过以优化方式在姿态空间中估计非刚性变形来细化表面细节，使用超级网络来生成良好的初始化，从而极大地加速了优化过程的收敛。在各种数据集上的大量实验表明，所提出的服装化身重建框架成功地为现实场景中的任意穿着的人类产生了高保真度的化身。

Apr, 2023

本研究提出了一种新方法，可以从穿着衣服的 3D 扫描序列中恢复个人化的人体形状，其性能在姿态估计和形状估计方面均优于现有技术。

Mar, 2017

本文提出了 StereoPIFu 算法，它将立体视觉的几何约束与 PIFu 的隐式函数表示相结合，从一对低成本的矫正图像中恢复着装人体的 3D 形状，实验表明与先前的研究结果相比，StereoPIFu 显著提高了着装人体重建的稳健性、完整性和准确性。

Apr, 2021

我们提出了一种新颖的方法，用于从少量的 RGB 图像（例如 1 到 6 张）中重建穿着衣物的人类。我们重新审视了体素方法并证明了通过适当的系统设计可以获得更好的性能。体积表示通过 3D 卷积在利用三维空间上下文方面具有明显优势，对于合理的大型但保守的体积分辨率（例如 512），明显的量化误差可以忽略不计。为了处理内存和计算成本，我们提出了一个复杂的由粗到精的策略，包括体素剔除和子空间稀疏卷积。我们的方法从离散的视觉外壳开始计算粗糙形状，然后专注于粗糙形状附近的窄带进行细化。形状重建后，我们采用基于图像的渲染方法，通过将输入图像与学习到的权重混合来计算表面点的颜色。大量的实验结果表明，我们的方法将最先进方法的平均点到表面（P2S）精度降低了 50％以上，以 512 体积分辨率实现了约 2mm 的准确度。此外，我们渲染的纹理模型与最先进方法相比具有更高的峰值信噪比（PSNR）。

Jul, 2023

我们提出了一种新的混合隐式表面表示方法来建模人体形状，该表示方法由两个表面层组成，用于表示穿着衣物的人体的不同区域，我们使用视觉线索自动分割不同区域，并学习重建两个有符号距离函数，我们在不透明区域上执行基于表面的渲染以保留高保真度的表面法线，并在半透明区域上执行体积渲染（例如头发），实验证明我们的方法在 3D 人体重建上取得了最先进的成果，并在其他物体上展示了有竞争力的表现。

Dec, 2023

通过使用描述性文本启示和个性化模型，TeCH 提出了一种混合的三维重建方法，用于重建细节丰富的衣着人物的未见区域，并在重建准确性和渲染质量方面优于现有方法。

Aug, 2023

本文提出了一种方法，通过深度学习的隐式函数和参数表示相结合，重建出具有可控性和高准确性的人体 3D 模型，使得即使加上服装等复杂因素，也能够保证模型的灵活性。

Jul, 2020

本研究提出了一种新的端到端学习框架，可以从一张图像中获取多人的详细且具有空间连续性的重建，并能解决多人姿态、遮挡、衣着等问题带来的困难，实现了对穿衣人体在任意姿势下的模型自由_implcicit 3D 重建和同步估计。针对模型和数据集，实验结果表明，该方法与现有的竞争方法相比，具有更高的精度和完整性，呈现了最先进的性能。

Apr, 2021

使用 2D 法线贴图进行弱监督的基于深度学习的方法，实现服装人体的三维重建。利用神经网络推断在休息姿势下围绕身体离散的四面体网格上的有符号距离函数 (SDF)，接着利用推断得到的姿势和相机参数生成法线贴图。通过 Marching Tetrahedra 从四面体网格上的 SDF 计算出一个三角化表面，从而方便进行微分计算（反向传播）。因此，仅凭借真实的法线贴图（没有体积信息的真实数据），我们就可以训练网络从相应的 RGB 图像中生成 SDF 值。可选择性地使用多视角损失以改善结果。我们展示了该方法在网络推断和三维重建方面的有效性。

Nov, 2023

本文提出了一种名为 LoRD 的新型局部 4D 隐式表示方法，具有 4D 人体建模和局部表示的优点，能够实现高保真度的重建，并在稀疏点的 4D 重建、非刚性深度融合等方面优于现有方法。

Aug, 2022