本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法，该方法借助于过度完备的自动编码器并考虑关节从属关系，优于现有技术，包括结构保留和预测准确性两方面。

May, 2016

本文提出了一个异构多任务学习框架，用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计，同时学习姿势 - 关节回归器和滑动窗口身体部位检测器，并证明包含身体部位检测任务有助于正则化网络，并指导其收敛于良好解决方案，并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明，我们的网络中间层中学习的神经元针对局部身体部位进行了优化。

Jun, 2014

借助多尺度空间特征和多步幅时间卷积网络，在设计 A 的基础上，B 通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性，并利用 2D 视频数据注入半监督学习能力。实验证实了该方法的有效性，并且消融研究表明我们网络的单个子模块的优势。

Apr, 2020

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

本文提出了一种基于 LSTM 网络，使用时间信息提高 2D 关节点坐标序列估算 3D 姿势的鲁棒性和一致性，实验在 Human3.6M 上提高了 12.2% 的精度。

Nov, 2017

本文提出了一种基于多帧和时序信息的人体姿态估计方法。该方法包含三个模块：姿态时序合成器、姿态残差融合模块和姿态校正网络。在 PoseTrack2017 和 PoseTrack2018 数据集上进行的实验结果表明，该方法取得了最佳效果，并已发布代码以期促进未来的研究。

Mar, 2021

本文提出了一种新的基于卷积神经网络的人体姿势估计的架构和改进的学习技术，能够学习底层特征和高级弱空间模型，在姿态估计中比现有传统架构实现了显著改善。同时，本文探讨了一些研究中发现的经验教训，表明在一些情况下，甚至仅涵盖图像中的几个像素的特征检测器也可以产生出强的特征检测结果，并且高级空间模型对姿势估计的改善效果相对较小。本文的主要贡献在于展示了一种特定变体的深度学习可以在该任务上胜过所有现有传统架构。

Dec, 2013

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

本文提出了一种利用深度神经网络进行结构化输出学习的方法，用于从单眼图像中估计 3D 人体姿势。该方法将图像和 3D 姿势作为输入，通过卷积神经网络将图像特征提取出来，并通过两个分支网络将图像特征和姿态转换为联合嵌入，然后将联合嵌入相乘得到一个分数值。通过最大间隔代价函数来联合训练联合嵌入和分数函数，实现的网络为一种特殊形式的结构化支持向量机，它是使用深度神经网络区别性地学习联合特征空间。在 Human3.6m 数据集上测试了这个框架，并与其他最近的方法进行了比较，得到了最先进的结果。最后，我们展示了图像 - 姿态嵌入空间的可视化，证明了网络已经学习到了高水平的身体方向和姿态配置。

Aug, 2015

通过使用空时图形来表示变形的人体，并引入一个细化网络，该网络在此图形上执行图形卷积以输出 3D 姿势，以确保对遮挡鲁棒性，通过使用一组二进制掩码训练此网络，并模拟某些关节在一段时间内可隐藏，并训练网络对此免疫，证明了该方法相对于从单摄像机序列推断姿势的最先进技术的有效性。

Feb, 2024