在AR、VR、3D打印、場景搭建以及電影制作等多個領域中，獲得高質量穿著衣服的人體3D模型變得至關重要。然而，傳統的創建方法耗時且需要專業設備捕捉多視角照片，還依賴技術熟練的專業人員。

　　與此相反，浙江大學ReLER實驗室的研究人員提出了一種名為SIFU的模型，該模型能夠從單張圖像準確重建3D人體模型，從而顯著降低了成本并簡化了獨立創作的過程。

　　傳統的深度學習模型用于3D人體重建通常需要經歷從圖像中提取2D特征、將2D特征轉換到3D空間，以及將3D特征用于人體重建的三個步驟。然而，在2D特征轉換到3D空間的階段，過去的方法常常忽略了人體先驗的引入，導致特征提取不充分，從而影響最終的重建結果。

　　為了解決這個問題，SIFU模型引入了側視圖條件隱函數，通過在2D特征轉換到3D空間時加入人體側視圖作為先驗條件，增強了幾何重建效果。此外，在紋理預測的階段，模型還引入了預訓練的擴散模型，以解決不可見區域紋理預測較差的問題。

　　SIFU模型的運行分為兩個階段。在第一階段，借助側隱式函數，模型重建人體的幾何和粗糙的紋理。在第二階段，通過3D一致性紋理優化流程，模型對紋理進行精細化。這一流程中，作者設計了一種獨特的Side-view Decoupling Transformer，通過全局編碼器提取2D特征后，在解碼器中引入人體先驗模型的側視圖，使得在圖像2D特征中解耦出人體不同方向的3D特征，從而用于重建。

　　實驗結果顯示，SIFU模型在幾何重建和紋理重建方面均表現出色，不僅在全面多樣的測試集上取得了最好的效果，而且在模型面對有誤差的人體先驗模型時依然具有較好的重建精度。

　　該模型的高精度和高質量重建效果使得其在3D打印、場景搭建、紋理編輯等領域具有廣泛的應用前景。SIFU模型為單張圖片人體重建提供了一種創新的方法，為未來的研究和實際應用提供了新的思路。