我们提出了一种新的方法，称为MEsh TRansfOrmer（METRO），用于从单张图像重建三维人体姿态和网格顶点。该方法利用 Transformer 编码器同时建模顶点-顶点和顶点-关节的相互作用，并同时输出三维关节坐标和网格顶点。与现有的回归姿态和形状参数的技术相比，METRO 不依赖于任何参数化的网格模型（如 SMPL），因此可以轻松扩展到其他对象，例如手部。我们进一步放宽了网格拓扑结构，允许 Transformer 自注意力机制在任意两个顶点之间自由关注，从而使得学习网格顶点和关节之间的非局部关系成为可能。通过提出的掩码顶点建模，我们的方法在处理部分遮挡等具有挑战性的情况时更加稳健和有效。METRO 在公开的 Human3.6M 和 3DPW 数据集上生成了新的最先进的人体网格重建结果。此外，我们展示了 METRO 在野外三维手部重建中的泛化能力，在 FreiHAND 数据集上的表现优于现有的最先进方法。代码和预训练模型可在 https://github.com/microsoft/MeshTransformer 获取。