团结人民：3D 和 2D 人体表达之间的闭环

Jan, 2017

团结人民：3D 和 2D 人体表达之间的闭环

Unite the People: Closing the Loop Between 3D and 2D Human Representations

Christoph Lassner, Javier Romero, Martin Kiefel, Federica Bogo, Michael J. Black...

TL;DR介绍一种使用混合方法，利用人工判断区分出好和坏的 3D 拟合方法，构建了一个多维度的人体姿态数据集 UP-3D，用于训练区分模型，获得了 31 个部位和 91 个标记点的 3D 人体姿态模型，其训练数据量比现有技术减小一个数量级，并且不需要关于性别或姿态方面的先验知识。

Abstract

3d models provide a common ground for different representations of human bodies. In turn, robust 2d estimation has proven to be a powerful tool to obtain 3D fits "in-the- wild". However, depending on the level of

3d models 2d estimation human pose datasets discriminative models 91 landmark locations

发现论文，激发创造

SMPL 约简：从单张图片自动估计三维人体姿态和形状

本研究提出了一种基于 DeepCut 和 SMPL 模型的 3D 姿态估计方法，能够从单张无约束的图像中自动预测人体的姿态和形状，实现了对人体结构和运动的精确推断。

Jul, 2016

基于示例微调的三维人体模型拟合：面向野外三维人体姿势估计

本文使用 Exemplar Fine-Tuning 的方法，通过合并 2D 数据集和高质量的 3D 姿态拟合标注数据，实现在真实环境下的 3D 姿态估计，并针对遮挡、截断和罕见人体姿势等现实挑战提出了新的基准测试数据，并且使用基于人类的评估方法验证了所提出的方法具有更好的性能和更好的效果。

Apr, 2020

利用显式 2D 特征和中间 3D 表示进行野外人体姿势估计

本文提出了一种基于卷积神经网络的深度学习方法，用于单目 3D 人体姿态估计，具有高精度和更好的野外场景泛化能力，可以联合在具有 3D 标签和仅有 2D 标签的图像数据上进行训练，并在具有挑战性的野外数据上实现了最先进的准确性。

Apr, 2019

多视角图像中的多人姿态估计与形状感知

本文提出了一种基于多视图图像的多人姿态估计方法，在统计参数体模型的引导下，这种方法能够更好地纠正不合理的 3D 姿态估计和填充缺失的关节点检测，将 2D 和 3D 观测联系起来，从而更准确地估计 3D 姿态并且具有较好的泛化性能，实验表明该方法的效果优于现有的方法。

Oct, 2021

3D 多体：将一组可信的三维人体模型拟合到模糊的图像数据上

研究单视图和部分遮挡视图下获取人体的密集三维重建问题，建议通过合适的三维模型参数化人体形状和姿势，学习一种多假设神经网络回归器，约束每个假设位于合理人体姿势的流形上，并且在标准 3D 人体基准和重度遮挡版本中，该方法表现出优异的处理模糊姿态恢复的性能。

Nov, 2020

3D 人体姿态估计的简单而有效的基准线

通过构建一个借助于当前技术能在控制误差较低前提下从 2D 开环位置中提取 3D 位置任务的相对简单的深度前向网络，我们发现了现代深度 3D 姿态估计系统的可视分析引起的错误是其主要问题。

May, 2017

PoseNet3D: 通过知识蒸馏学习具有时间一致性的三维人体姿势

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

无监督对抗学习从 2D 关节点位置得到 3D 人体姿势

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

野外步态识别：基于稠密三维表示和基准测试

本文旨在探讨用于野外环境中行走行人的 3D 浓密表征的步态识别，并提出了一种基于 3D Skinned 多人线性（SMPL）模型的新框架 ——SMPLGait，并建立了首个大规模的基于 3D 表征的步态识别数据集 ——Gait3D，以此与现有的步态识别方法进行了全面比较。

Apr, 2022

从结构和动作学习 3D 人体姿势

使用两种解剖启发的损失函数和弱监督学习框架，结合大规模野外 2D 和室内 / 合成 3D 数据共同学习人体姿态估计。还提出了一个简单的时间网络来调和预测的姿态序列，并通过损失表面可视化和敏感性分析仔细分析了所提出的贡献的工作机制。我们的完整流程在 Human3.6M 和 MPI-INF-3DHP 上分别提高了 11.8％和 12％，并在普通图形卡上以 30 FPS 运行。

Nov, 2017