多深度相机实时人体运动捕捉
本文描述了一种基于无标记人体动作捕获的三维角色动画生成系统，采用视角多样的相机捕捉人体动作信息，并通过多种技术手段计算出骨骼变换状况，从而能够高效准确地实现三维骨骼重建与实时动画生成。
Dec, 2022
通过使用深度循环神经网络等技术，开发单一 Kinect 传感器来改善其骨架追踪的不自然运动，同时通过与商业光学运动捕捉系统进行比较，提出了新的自然度评估方法。
Apr, 2016
本文提出了一种实时的多人三维运动捕捉方法，使用单个 RGB 相机以超过 30fps 的速度进行，利用卷积神经网络和全连接神经网络来估计每个人的 2D 和 3D 姿态特征，并在空间 - 时间骨骼模型拟合后返回完整的骨骼姿态，相较于以往方法，本方法在多人场景中以前所未有的速度返回全局姿态。
Jul, 2019
介绍了一种新的可训练系统，用于物理上合理的无标记 3D 人体运动捕捉，称之为 physionical，该系统在多种具有挑战性的场景下实现了最新技术的结果，其输入为 2D 关节关键点，能够在交互帧速率中生成平滑而物理明确的 3D 动作。
May, 2021
本文综述了过去五年间的主要人体姿势估计方法，重点关注指标、基准和方法结构，提出了基于准确性、速度和鲁棒性的分类方法，并得出了未来研究的方向。
Oct, 2020
通过分布式智能边缘传感器以及语义反馈循环的后端，我们提出了一种从多摄像机设备中估计 3D 人体姿态的新方法，其只传输语义骨架表示，能够实现实时操作并取得了最佳结果。
Jun, 2021
本文提出了一种新颖的方法，利用深度卷积神经网络来对 2D 关节点位置进行建模，并通过期望最大化算法来恢复 3D 几何体，从而实现了对不带标记的单个摄像头的全身人体姿态估计。
Jan, 2017
采用鱼眼相机进行骨骼姿态估计的实时无标记头盔运动捕捉的新方法，使用户能够在室内外和拥挤的场景中进行自由移动和交互，并创建运动捕捉的虚拟身体。
Sep, 2016
本研究提供了首个非标记的方法来在单目视频中实现人类的三维运动捕捉，可以重建关节骨架的运动以及一般场景中中等尺度的非刚性表面形变。通过使用卷积神经网络中的疏 2D 和 3D 人体姿势检测，以及基于低维轨迹子空间解决单目重构问题的模式，我们解决了由大范围关节运动，具有潜在快速运动和相当大的非刚性变形构成的人工能捕捉挑战。此外，我们根据完全自动提取的轮廓线提出了基于表面几何的细化方法，以实现中等规模的非刚性匹配，我们的方法实现了最先进的性能捕捉结果，在准确性，鲁棒性和可处理的场景复杂性方面明显优于先前的单目方法。
Aug, 2017