本文提出了一种基于优化的框架，以将体育场地模板注册到广播视频中，并采用深度学习来训练神经网络，以最小化注册误差，该方法应用于实际体育广播视频，表现优异，并且通过在合成 toy 示例上的验证，我们进一步证明了该方法即使在其引入太多约束和无限的训练数据情况下仍然有显着提高。

Sep, 2019

使用 3D 足球场模型进行摄像机校准，以评估广播视频的多视角性，同时保持与最先进技术在整体几何估计上竞争力强的优越性能。

Apr, 2024

提出了一种新颖的贝叶斯框架，通过一个仿射变换明确地将一个视频帧的单应性与下一个视频帧关联起来，同时明确建模关键点的不确定性。该方法使用了两阶段卡尔曼滤波器，在现有方法的基础上显著改进了其性能，并使得不太复杂且计算成本较低的方法在大多数单应性评估指标上胜过了最先进的方法。

Nov, 2023

本文研究了如何通过部分体育场地登记和联合优化 3D 姿势估计和相机标定来提取 3D 运动学数据，生成了一个 10K 张图像的合成数据集来展示现有单目 3D HPE 方法的局限性。

Apr, 2023

本研究提出了一种快速而准确的运动员追踪解决方案，通过结合几个模型以在相对较小的硬件上并行执行来追踪运动员，最终能够在高清视频上以 80 fps 的速度处理，可以达到一定的准确率。

Mar, 2020

通过使用合成数据，我们提出了一种高度自动化的方法来通过单个图像校准运动相机，使用新颖的相机姿态引擎，以及采用两个 GAN 模型来检测场地标记，并在合成和真实数据中取得了鲁棒性和最新技术表现。

Oct, 2018

本文提出了一种新的篮球场注册框架，该框架基于编码器解码器网络的估计，采用透视感知约束对采样的关键点位置进行估计，并借助篮筐位置的回归和数据增强技术使模型对不同场馆具有鲁棒性。消融研究显示了我们的贡献对挑战测试集的积极影响，我们的方法将平均均方误差除以 4.7，比挑战基线提高了效果。

Sep, 2022

从广播镜头制作的离散数据中，我们提出一种方法来估计连续的全场跟踪数据，帮助球队和球员收集高质量的球员跟踪数据。

Nov, 2023

本文介绍了一种将足球比赛的单眼视频转化为可交互地呈现球员和球场的三维重建系统，通过使用卷积神经网络估算每个球员的深度图，我们将其与现有的身体姿态和深度估计技术进行比较，并展示了在合成和真实的 YouTube 足球片段的实验结果。

Jun, 2018

该研究聚焦于足球广播视频的摄像头校准和现有科学社区的限制，并通过深度学习技术和大规模数据集的发布来提高现有体育动作捕捉算法的性能。

Apr, 2021