HyperHuman是一个生成逼真的人类图像的模型。该模型通过捕捉人类图像的结构性特征，从粗略的身体骨架到细粒度的空间几何形状，生成具有连贯性和自然性的人类图像。HyperHuman包括三个部分：1）构建一个大规模的人类数据集HumanVerse，其中包含340M张图像和全面的注释，如人体姿势、深度和表面法线；2）提出一个潜在结构扩散模型，该模型同时去噪深度、表面法线和合成的RGB图像。我们的模型在一个统一的网络中强制学习图像外观、空间关系和几何形状，模型中的每个分支都具有结构感知性和纹理丰富性；3）最后，为了进一步提高视觉质量，我们提出了一个结构引导的细化器，用于更详细的高分辨率生成。大量实验证明，我们的模型在各种场景下生成了具有高真实感和多样性的人类图像，达到了最先进的性能。