本文通过提出一种新的方法，在人体姿势估计中实现了更好的3D姿势估计精度，通过使用单目图像序列并利用深度全卷积网络预测2D关节位置的不确定性图，并使用期望最大化算法进行3D姿势估计。

Nov, 2015

本文研究了从单个图像估计三维人体姿态的问题，并利用距离矩阵回归的方法，结合卷积神经网络检测器在处理距离矩阵时能自然处理遗漏的 joint信息，在 Humaneva 和Human3.6M 数据集上表现出更好的性能。

Nov, 2016

本研究提出一种利用双重数据源，结合深度神经网络和运动捕捉数据，实现从单张图片中估计三维人体姿态的方法，并对该方法进行了全面评估。

May, 2017

本文提出了一种使用生成对抗网络进行无监督学习的方法，能够从单张图片的2D关节点位置预测出3D人体姿态，无需使用3D数据集，而且即使在训练时缺乏数据，该方法也能很好地预测3D姿态。

Mar, 2018

通过弱监督的方法，使用对抗框架和随机投影层来提高3D姿势估计的精确度，该方法不需要2D和3D点之间的对应关系。实验结果表明该方法在人体3D姿势估计任务上表现优秀。

Aug, 2018

通过采用无监督学习技术，基于来自单个图像的2D骨架关节，我们提出了一种恢复3D人体姿势的方法，该方法不需要任何多视图图像数据、3D骨架、2D-3D点之间的对应关系或在训练过程中使用先前学习的3D先验知识。我们的方法采用一个lifting网络将2D关键点作为输入，并生成相应的3D骨架估计，其中我们通过在随机相机视点重投影修复后的3D骨架来产生新的“合成”2D姿态。我们还训练了一个2D域适配器网络来扩展2D数据，并通过自适应正则化机制使域适应效果更好。最终，在Human3.6M数据集上，我们的方法对无监督三维lifting的改进达到了30％，并且优于许多明确使用3D数据的弱监督方法。

Apr, 2019

提出使用神经网络框架PoseNet3D将二维关节作为输入，输出三维骨架和SMPL体模型参数，通过在学生-教师框架下的学习方法，无需使用任何3D数据进行训练，结果表明与之前的无监督方法相比，该方法将3D关节预测误差降低了18％。

Mar, 2020

本文提出了一种采用运动学结构保持无监督学习的 3D 人体姿势估计框架，可以避免使用任何弱监督模型，并通过能量损失和运动学先验知识来训练模型，提高对新环境下的准确性和泛化能力。

Jun, 2020

本研究展示了一个基于深度学习的3D人体姿态估计方法，为了克服不同数据集提供的不同骨骼格式这一障碍，我们提出了一种新颖的仿射组合自编码器方法(ACAE)，以实现由多个数据集超级所见，其中我们使用28个3D人体姿态数据集来监督一个模型，并在各种基准测试中取得了比以前的工作更好的表现。

Dec, 2022

3D人体姿态估计的目标是通过检测多个身体关节来重建场景中所有个体的人体骨骼。本文回顾了用于多视角设置中估计3D姿态的方法学，并指出当前方法在解决挑战方面存在局限性，需要进一步研究以开发出能够在可接受的计算成本内快速推断高度准确的3D姿态的方法。

Jul, 2024