HyperHuman是一個生成逼真的人類圖像的模型。該模型通過捕捉人類圖像的結構性特徵，從粗略的身體骨架到細粒度的空間幾何形狀，生成具有連貫性和自然性的人類圖像。HyperHuman包括三個部分：1）構建一個大規模的人類數據集HumanVerse，其中包含340M張圖像和全面的註釋，如人體姿勢、深度和表面法線；2）提出一個潛在結構擴散模型，該模型同時去噪深度、表面法線和合成的RGB圖像。我們的模型在一個統一的網絡中強制學習圖像外觀、空間關係和幾何形狀，模型中的每個分支都具有結構感知性和紋理豐富性；3）最後，為了進一步提高視覺質量，我們提出了一個結構引導的細化器，用於更詳細的高分辨率生成。大量實驗證明，我們的模型在各種場景下生成了具有高真實感和多樣性的人類圖像，達到了最先進的性能。