本研究提出了一种基于DeepCut和SMPL模型的3D姿态估计方法，能够从单张图像中自动预测人体姿态和形状。研究还介绍了SMPLicit生成模型，联合表示人体姿势、形状和衣物几何，适用于3D建模和服装编辑。该方法有效解决了从2D服装图像生成3D人体网格的挑战，实现了高效的3D重建和动画效果。

本文介绍了姿态估计之WHAM和手势估计之HaMeR。WHAM使用ViTPose检测2D关键点，并使用Motion Encoder提取运动特征。通过图像特征和运动特征的结合，提升2D关键点到3D网格。WHAM还设计了全局轨迹解码器和接触感知轨迹的优化。HaMeR用于在3D中重建手势。

PoseGPT 是一个利用大型语言模型理解和推理 3D 人体姿势的框架，克服了传统方法的局限性。它通过嵌入 SMPL 模型简化姿势预测，在假设生成和姿势估计任务中表现优异，推动了人体姿势分析的发展。

本文介绍了AvatarStudio，一种基于文本生成高质量3D头像的方法。该方法结合了NeRF和SMPL技术，支持头像动画和高分辨率渲染，能够生成个性化的3D头像，适用于多种应用场景。

本文提出了一种基于SMPL的分层服装表示方法，可以实现更高的表达能力和更好的几何恢复效果。同时，该方法在服装重构和身体形状恢复方面具有优势，并可以实现重新姿势、服装转移和服装纹理映射等应用。