提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

Jun, 2024

使用去噪扩散模型，我们提出了一种名为 PIDM 的人体图像扩散模型，解决了复杂的转换问题，并展示了在两个大型基准测试中的显着结果，以及如何在下游任务中使用生成的图像。

Nov, 2022

该研究利用经过预训练的扩散模型，提出了一种名为 ID-Pose 的方法，可通过给定两张输入图像来估计相对姿态，该方法不需要训练，可处理多张图像，并且在实际图像中具有广泛应用性。

Jun, 2023

人物图像中的姿势和身体形状编辑一直受到越来越多的关注。然而，当前的方法在处理大幅度编辑时往往受到数据集偏见的困扰，导致逼真度和人物身份的退化。我们提出了一种一次性方法，可以实现大幅度编辑并保留身份信息。为了实现大幅度编辑，我们使用一个 3D 人体模型进行拟合，将输入图像投影到 3D 模型上，并改变人体的姿态和形状。由于初始纹理身体模型存在由于遮挡和不准确的身体形状引起的伪影，渲染图像经历了一种基于扩散的细化过程，在这个过程中，强噪声破坏了身体结构和身份，而不充分的噪声并没有起到帮助作用。因此，我们提出了一种迭代细化方法，首先对整个身体进行弱噪声处理，然后对脸部进行细化。通过自监督学习进一步增强了真实感，通过微调文本嵌入。我们的定量和定性评估表明，我们的方法在各种数据集上优于其他现有方法。

Jan, 2024

本文提出了一种基于姿态解耦和适应网络（PDA-Net）的跨数据集人员再识别方法，该方法通过学习深层次图像表示对姿态和域信息进行解耦，并形成跨域姿态不变的特征空间，使其具有不错的准确性。

Sep, 2019

本文提出了一种新颖的深度人图像生成模型，利用生成对抗网络，实现了消除视角变化的标准化，生成与姿势相关的真实人物图像，得到新型的去除姿势影响的深度重新识别（re-id）特征，并证明这种特征可以广泛应用于许多不同的 re-id 数据集中。

Dec, 2017

本文介绍了一种基于 Feature Distilling GAN 的人物重识别方法，可以学习不受姿态影响的身份相关特征，而不需要额外的姿态信息和计算成本。此方法在三个人物重识别数据集上达到了最好的性能，证明了 FD-GAN 的有效性和稳健性。

Oct, 2018

本研究通过构建包含数百种照明条件的新的合成数据集以及采用一种新颖的领域自适应技术来解决监控摄像头之间照明差异引起的重识别问题，取得了与监督技术相当的效果。

Apr, 2018

提出了 VI-Diff，一种有效解决可见 - 红外人物图像翻译任务的扩散模型。通过综合实验证明，VI-Diff 优于现有的扩散和生成对抗网络模型，为具有单模态标记数据的 VI-ReID 任务提供了有希望的解决方案。

Oct, 2023

本文提出了一种无监督人物再识别方法，使用虚拟和真实数据进行训练，产生虚拟数据作为有标记的训练数据，利用协作过滤技术进行正样本挖掘，通过迭代优化来训练模型，实验结果表明该方法在无监督人物再识别方面达到了最先进水平。

Nov, 2018