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

本研究提出一种利用双重数据源，结合深度神经网络和运动捕捉数据，实现从单张图片中估计三维人体姿态的方法，并对该方法进行了全面评估。

May, 2017

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

本论文提出了一种对抗性学习框架，利用基于多源鉴别器的几何描述符对在野外场景下的2D姿态注释图像进行3D人体姿态估计。实验证明，该方法在公共基准测试上明显优于以往的最先进方法。

Mar, 2018

通过弱监督的方法，使用对抗框架和随机投影层来提高3D姿势估计的精确度，该方法不需要2D和3D点之间的对应关系。实验结果表明该方法在人体3D姿势估计任务上表现优秀。

Aug, 2018

通过采用无监督学习技术，基于来自单个图像的2D骨架关节，我们提出了一种恢复3D人体姿势的方法，该方法不需要任何多视图图像数据、3D骨架、2D-3D点之间的对应关系或在训练过程中使用先前学习的3D先验知识。我们的方法采用一个lifting网络将2D关键点作为输入，并生成相应的3D骨架估计，其中我们通过在随机相机视点重投影修复后的3D骨架来产生新的“合成”2D姿态。我们还训练了一个2D域适配器网络来扩展2D数据，并通过自适应正则化机制使域适应效果更好。最终，在Human3.6M数据集上，我们的方法对无监督三维lifting的改进达到了30％，并且优于许多明确使用3D数据的弱监督方法。

Apr, 2019

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

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