该论文提出了一种基于卷积神经网络的直接预测方法，将参数化的统计全身形状模型与 2D 关键点和掩膜相结合，实现从单张彩色图像中估计全身的 3D 姿态和形状，得到了比先前基准更好的结果。

May, 2018

本文提出了一种用于从单个 RGB 图像中估计人类姿势的统一方法，通过联合推理 2D 关节估计和 3D 姿势重建来改善两个任务，并使用可信的 3D 地标位置知识来对更好的 2D 位置进行搜索，并通过多级卷积神经网络架构综合了 3D 人体姿势的概率知识，并在 Human3.6M 数据集上进行了端到端的训练，最终获得了在 2D 和 3D 误差上优于之前方法的最新结果。

Jan, 2017

本文提出了一种从稠密对应的人体部位进行学习的方法，通过构建 2D 像素与 3D 顶点之间的桥梁，提出了解决非线性、位移等问题的 Decompose-and-Aggregate 网络（DaNet），并给出了一种利用空间关系的位置辅助旋转特征细化策略来提高鲁棒性的姿态预测策略，发现该方法显著提高了重建性能。

Dec, 2019

本研究探讨了卷积神经网络在处理单目视觉下 3D 人体姿态感知任务方面的能力，通过将时间维度编码在卷积空间中的第三个维度，直接回归到 3D 坐标空间中的人体关节位置，从而在选定的 Human3.6M 数据集上展示了该网络达到了最先进的性能。

Aug, 2016

本文提出使用卷积神经网络进行端到端直接重建人类三维几何通过体积回归，无需拟合形状模型，能够从多种输入类型训练并处理姿态变化和细节重建。

Sep, 2018

本研究通过对 3D 人体姿态估计表征问题的认真研究，提出了一种方法，并且对现有的最优解的表现进行了超越，在标准测试基准中相对误差降低超过 30％，该方法包括 Convolutional Network、端到端的学习模型、从粗到细的预测方案和三维体表示。

Nov, 2016

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

本文解决从单张图像中估计 3D 人体姿态和形状的问题，提出在保留 SMPL 模板网格拓扑的同时，使用 Graph-CNN 直接回归网格顶点的三维位置，与基于模型参数回归的可比较基线相比，我们的方法具有更好的效果。

May, 2019

本文提出了一种基于学习的模型，利用少量单目视频帧 (1-8 帧) 从移动的人中推断出其个性化的 3D 形状，可在不到 10 秒内达到 5mm 的重建精度。该模型学习预测一个统计体型模型的参数和实例化偏移量，同时加入衣服和头发的形状，具有快速和准确的预测，这得益于其对 T-pose 空间的预测和从上往下和从下往上两个视图预测的结合。该模型仅基于合成的 3D 数据进行学习，可将可变数量的帧作为输入，即使仅有一张图像，也能以 6mm 的精度重建形状。3 个不同数据集的结果表明了本方法的有效性和准确性。

Mar, 2019

本论文提出了使用卷积神经网络（CNN）对具有 2D 影像和 3D 面部模型或扫描的适当数据集进行训练，以实现单个 2D 面部图像的三维面部几何重建，避免了模型建立和拟合的复杂流程，并演示了如何将面部标志定位集成到所提出的框架中，帮助提高重建质量。

Mar, 2017