HyperHuman ist ein Modell zur Generierung fotorealistischer menschlicher Bilder. Das Modell generiert kohärente und natürliche menschliche Bilder, indem es die strukturellen Merkmale menschlicher Bilder erfasst – von groben Körperskeletten bis hin zu feingranularen räumlichen Geometrien. HyperHuman umfasst drei Teile: 1) Aufbau eines umfangreichen Datensatzes namens HumanVerse mit 340 Millionen Bildern und umfassenden Annotationen wie Körperhaltung, Tiefe und Oberflächennormalen; 2) Entwicklung eines latenten Strukturdiffusionsmodells, das gleichzeitig Tiefe, Oberflächennormalen und synthetische RGB-Bilder entrauscht. Unser Modell erzwingt das Lernen von Bildaussehen, räumlichen Beziehungen und Geometrien in einem einheitlichen Netzwerk, wobei jeder Zweig des Modells struktursensibel und texturreich ist; 3) Schließlich schlagen wir zur weiteren Verbesserung der visuellen Qualität einen strukturgeführten Verfeinerer für detailliertere, hochauflösende Generierungen vor. Umfangreiche Experimente belegen, dass unser Modell in verschiedenen Szenarien hochrealistische und diverse menschliche Bilder mit modernster Leistung generiert.