本文提倡在经典非刚性运动（NRSfM）中使用有机先验。利用因子分解矩阵中的有机先验，本文提出了一种简单的、有条理的、实用的方法来有效地利用这些先验来解决 NRSfM 问题。提出的方法除了流行的低秩形状的假设外，不做任何其他假设，并且在正交投影下可以提供可靠的解决方案。该方法的获取有机先验独立于摄像机运动和形状变形类型，并对 NRSfM 分解（包括形状和运动）提供了洞察力，是首个展示单旋转平均对 NRSfM 的益处的方法。此外，我们概述了如何利用所提出的有机先验方法有效地恢复运动和非刚性 3D 形状，并展示了显著优于无先验的 NRSfM 性能的结果。最后，我们通过对多个基准数据集的广泛实验和评估，展示了我们方法的优势。

Jul, 2022

该论文提出了一种新的方法，使用 Grassmannian 和低秩表示来恢复非刚性物体的不断变形的 3D 结构。该方法相对于以前的方法具有更高的准确性，可扩展性和鲁棒性，并且在标准基准数据集上取得了领先的性能。

Jun, 2020

提出了一种基于非刚性运动结构，通过提取形状先验知识并结合稠密 NRSfM 技术进行顺序表面恢复的动态形状先验重建 (DSPR) 方法，具有较高的准确性和鲁棒性以及对形状压缩的应用潜力。

Sep, 2019

提供了一个公开的数据集，以及基于该数据集的非刚性运动结构问题研究的基准和仔细的评估，并对非刚性运动结构问题的研究现状和未来方向进行了研究。

Jan, 2018

本文提出了一种基于深度神经网络和稀疏编码模型的新型非刚性运动结构重建方法，通过模型区分位姿和三维结构，解决了先前算法在图片数量和形状可变性方面的局限性，在视觉领域的应用得到了显著的提升。

Jul, 2019

从时空建模的角度解决非刚性结构从动（NRSfM）中的关键挑战，包括运动 / 旋转的歧义、基于全局形状的低秩模型对 3D 形状序列的变形处理问题。通过引入新的临时平滑的 Procrustean 对齐模块和自适应的空间加权方法，提出了一种更好的非刚性结构建模方法，模型效果超过现有的以低秩为基础的方法。

May, 2024

本文提出了一种在 Grassmann 流形上建模的密集非刚性结构运动方法，通过在时空上局部线性子空间的联合模拟非刚性变形，不仅可缩小误差和提高可扩展性，而且对于高度非线性的形变具有更好的鲁棒性。

Mar, 2018

本文提出了一种基于深度神经网络的非刚性运动结构恢复方法，该方法在订单级别上表现出比所有现有技术更出色的精度和鲁棒性，能够处理规模和形状复杂度前所未有的问题，并提出了一种基于网络权重的质量度量来评估重建可信度。

Jul, 2019

本文提出了一种基于时空平滑的简单非刚性运动稠密重构方法，通过同时利用时域平滑性和空间平滑性，以及使用拉普拉斯算子和 L1 范数来处理实际测量中的噪声和异常值，解决了非刚性结构运动重构难的问题，并且在合成和实际图像上的实验结果表明，该方法优于现有的非刚性重构方法。

Jun, 2017

本文提出了一种新的人体姿势变形建模方法，并设计了一种基于扩散的运动先验。通过非刚性运动结构重建 3D 人体骨骼的任务分为估计 3D 参考骨架和逐帧骨架变形。同时使用混合时空 NRSfMformer 从 2D 观察序列中估计每一帧的 3D 参考骨架和骨架变形，并将它们相加得到每一帧的姿势。最后，使用基于扩散模型的损失项确保管道学习正确的先验运动知识。最终，在主流数据集上评估了提出的方法，并获得了优于现有技术的结果。

Aug, 2023