本文提出了一种端到端可训练模型，以单个 RGB 图像感知 3D 场景，估计相机姿态和室内布局，并重建人体和物体网格。通过对所有估计方面施加全面而复杂的损失，我们证明了我们的模型优于现有的人体网格方法和室内场景重建方法。据我们所知，这是第一个在网格级别输出对象和人体预测，并对场景和人体姿态进行联合优化的模型。

Dec, 2020

本论文主要研究从单个图像中恢复人的高度，采用机器学习模型结合人体解剖学的相关特征进行估计，构建了一个新的数据集，通过人脸识别和分配一致性将明确的高度标签扩展到更多的图像，并获得了 5.56cm 的平均绝对误差。

May, 2018

本研究提出了一种新方法，利用一种姿态不变形状空间对人体形状变化进行建模，结合基于骨骼的变形对姿态变化进行建模，用于估计着装人体扫描的静态和运动序列中的身体形状和姿态，改进了现有统计模型的拟合准确性。

Dec, 2013

本文提出了一种基于学习的模型，利用少量单目视频帧 (1-8 帧) 从移动的人中推断出其个性化的 3D 形状，可在不到 10 秒内达到 5mm 的重建精度。该模型学习预测一个统计体型模型的参数和实例化偏移量，同时加入衣服和头发的形状，具有快速和准确的预测，这得益于其对 T-pose 空间的预测和从上往下和从下往上两个视图预测的结合。该模型仅基于合成的 3D 数据进行学习，可将可变数量的帧作为输入，即使仅有一张图像，也能以 6mm 的精度重建形状。3 个不同数据集的结果表明了本方法的有效性和准确性。

Mar, 2019

使用 RGB 图像进行三维人体形状和姿势估计是一个具有挑战性的问题，具有增强 / 虚拟现实、医疗保健和健身技术以及虚拟零售等潜在应用。本研究调查了并比较了当代舞蹈和表演艺术领域中的三维人体形状和姿势估计方法，重点关注人体姿势和着装、摄像机视角、光照条件和背景条件。我们证明了当舞者进行当代舞蹈表演时，多帧方法（如 PHALP）比单帧方法更能提供更好的姿势估计结果。

Jan, 2024

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

该研究综述了人体形状和服装估计领域的重要工作，主要关注人体形状估计、时尚生成、关键点检测和属性识别四个方面，并讨论了最新发展、优点、局限以及方法和结果的定性差异，旨在提供对该领域的全面理解并激励未来的研究。

Feb, 2024

本文提出了一种基于深度图的非参数方法，用于从单个 RGB 图像中估计人体的 3D 形状，并结合对抗训练进行优化，并在真实数据集上进行了验证。

Aug, 2019

提出了 ShapeBoost，一种新的人体形状恢复框架，通过基于部分的参数化技术实现了对不同身形和穿着不同类型衣物的人群进行像素级对齐，提供了在各种身体形状和穿着情况下优于其他现有方法的实验结果。

Mar, 2024

使用多视角图像建议一种可伸缩的神经网络框架来重建 SMPL 模型子空间中的人体 3D 网格，并在现实图像上表现优异，特别是在形状估计方面。

Aug, 2019