该研究提出了一种名为 Skeleton Transformer Networks 的网络框架，可以通过单张彩色图像预测出人体骨架的 3D 关节点位置和 3D 角度姿态，并从而生成蒙皮网格动画。该框架采用两步回归方法进行骨骼旋转预测，其中第一步通过考虑骨架结构回归骨骼旋转以获得初始解，第二步则基于被称为交叉热图的三维姿态表示采用热图回归器进行精细化调整。实验表明，使用该框架训练的 3D 人体姿势数据集可以在野外环境下通过单张图像准确预测出人体的 3D 姿态。

Dec, 2018

MotioNet是一种用于从单眼视频中重建 3D 人体骨骼运动的深度神经网络，通过嵌入运动先验信息的深度神经网络将 2D 关节位置序列分解为对称骨骼和与全局根位置和足接触标签相关联的 3D 关节旋转序列，并在 3D 位置上应用正向运动学，使用敌对损失确保恢复的旋转速度处于自然关节旋转曲面上的关键优势使其能够直接从训练数据中学习到自然的关节旋转。

Jun, 2020

本研究设计了一种人类图像生成的生成模型，能够控制姿势，不同身体局部的外貌以及服装风格，能够生成高逼真度的图像，并在不同方面表现出色，如姿态控制、部位和服装转移以及关节采样。

Mar, 2021

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

本文提出了一种基于本地细骨架引导扩散模型的可控人类图像生成方法，称为HumanSD，该方法使用新颖的热图引导去噪损失来微调原始稳定扩散模型，从而有效地增强了训练模型时给定的骨骼条件，并提高了图像质量。

Apr, 2023

提出了一种新的二维到三维抬升图卷积网络（PoseGraphNet++）用于预测完整的人体姿势，包括关节位置和骨骼方向。通过利用节点和边的卷积，该模型在多个基准数据集上评估，在位置和旋转指标方面的性能与现有方法相当或更好。通过大量的消融研究，证明了PoseGraphNet++从关节和骨骼之间的相互关系中获益。

Aug, 2023

通过建立大规模人体数据集HumanVerse，结合深度学习模型和结构引导生成器，我们提出了HyperHuman方法，实现了生成真实自然的人体图像。

Oct, 2023

提出了一种具有层次空间和时间降噪器的解开扩散式的三维人体姿势估计方法，该方法通过在扩散模型的正向过程中解开姿势并扩散骨长和骨方向，以有效建模人体姿势先验。在反向过程中，通过使用层次相关的空间转换器和层次相关的时间转换器来改进每个关节的层次建模，并探索关节之间的层次化时间相关性。

Mar, 2024

通过引入粗糙到精细的注意掩蔽策略到视觉Transformer(ViT)中，我们提出了一个新的适配器模型Stable-Pose，以在生成图像时获得准确的姿势指导，并通过层级方式从粗糙到精细的过渡来提供一种对齐姿势表示的优化方式。

Jun, 2024

本研究解决了现有基于扩散模型的人像生成方法在姿势一致性方面的不足。我们提出了一种利用姿势先验的图关系框架，通过构建姿势先验与扩散模型潜在表示之间的图拓扑结构，学习姿势部位间的内在关联。实验结果表明，该方法在姿势平均精度上相比最新基准模型提高了9.98%。

Aug, 2024