HyperHumanは、リアルな人物画像を生成するモデルです。このモデルは、大まかな骨格から細部に至る空間幾何形状まで、人物画像の構造的特徴を捉えることで、首尾一貫性があり自然な人物画像を生成します。HyperHumanは3つの部分から構成されています。1）3.4億枚の画像と人体姿勢、深度、表面法線などの包括的なアノテーションを含む、大規模な人物データセットHumanVerseの構築。2）深度、表面法線、合成RGB画像のノイズ除去を同時に行う潜在構造拡散モデルの提案。私たちのモデルは、統一されたネットワーク内で画像の外観、空間関係、幾何形状の学習を強制的に行い、各ブランチは構造認識とテクスチャの豊かさを備えています。3）最後に、視覚品質をさらに向上させるために、より詳細な高解像度生成を行う構造ガイド付きリファイナーを提案しました。数多くの実験により、私たちのモデルは様々なシーンにおいて、高リアルで多様な人物画像を生成し、最先端の性能を達成していることが証明されています。