Deep learning methods for 3D human body reconstruction and generation

Le résumé fourni par la source

三维人体建模在虚拟现实、游戏动画、人机交互、数字人等领域展现出广泛应用前景。然而， 传统三维建模方法高度依赖于昂贵的设备与人工标注，存在成本高、灵活性差等问题，难以满足大 规模、个性化的建模需求。近年来，深度学习的快速发展为三维人体建模带来了全新的技术范式，极 大地推动了该领域的发展。本文系统地回顾了基于深度学习的三维人体建模技术，重点围绕三维人 体表示、重建方法与生成方法三个方面展开。在人体表示方面，文章梳理了参数化、显式、隐式及混 合形式等主流中间表示的建模思路与适用场景。在人体重建方面，总结了从传统参数回归方法、隐 式函数建模到神经辐射场和三维高斯泼溅（3D Gaussian Splatting）等最新非参数化方法的发展路 径，分析了各类方法在精度、可控性与效率等方面的优劣。在人体生成方面，系统梳理了生成对抗 网络（GANs）以及扩散模型（Diffusion Models）等主流生成框架的应用进展，重点聚焦于文本驱 动与图像驱动的生成策略、精度、可控性与细节还原等方面的进展。此外，本文还收集整理了当前 主流的公开数据集，并对三维人体建模面临的挑战与未来研究方向进行了深入讨论。本文旨在为计 算机视觉与图形学领域的研究者在三维人体建模方面提供全面的参考，推动更加高效、逼真和可控 的人体重建与生成技术的发展。

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.