本文提出一种基于双源深度卷积神经网络(DS-CNN)从单张图片中估计2D人体姿态的新方法，该方法集成了局部(身体)部分的外观和全局视角，实现了更准确的人体姿态估计，并结合多种图像处理算法，有效实现关节点检测、定位和人体姿态估计。

Apr, 2015

通过两种独立的训练来源(2D姿势标注的图像和准确的3D运动捕捉数据)，提出一种双源方法，将2D姿态估计与高效稳健的3D姿态检索结合，从而解决单个RGB图像的3D姿态估计中获取足够训练数据的问题，实验表明，该方法达到了最先进的结果，并且即使是两个训练来源中的骨架结构差别显著时也具有竞争性。

Sep, 2015

本文提出了一种使用卷积神经网络进行端到端学习的3D人体姿势估计方法，通过CNN学习找出相对于其他关节的相对3D位置，并通过将2D姿势信息与图像特征连接以及通过关于多个关节的相对位置信息的组合来获得更准确的3D姿势。实验结果表明，该方法在Human 3.6m数据集上实现了与最先进方法可比较的性能。

Aug, 2016

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

本文探讨了通过 2D 姿态估计和 3D 运动捕捉数据简单推理得出三维人体姿态的方法，并演示了该方法优于目前大部分直接由 2D 测量回归三维姿态估计系统的现有方法。

Dec, 2016

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

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

本文提出了一种在“野外”环境中进行三维人体姿态估计的解决方案，通过生成大量的具有三维姿势标注的逼真合成图像，并使用这些图像对全身三维姿势进行端对端的卷积神经网络训练，成功地在受控环境（Human3.6M）中优于大多数已发表的作品，并在真实图像（LSP）中展现了有前途的结果。

Feb, 2018

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

本文提出了一种基于多模式混合密度网络的方法，可以从2D关节生成多个可行的3D人体姿势假设。实验表明，我们的方法具有先进的性能，并且可以用于针对2D-3D反问题的多解决方案。

Apr, 2019