本研究提出了一种基于DeepCut和SMPL模型的3D姿态估计方法，能够从单张无约束的图像中自动预测人体的姿态和形状，实现了对人体结构和运动的精确推断。
Jul, 2016
本文研究了一种捕捉多种尺度的人类运动的统一变形模型，称其为“Frankenstein”模型，并在基础上优化构建出“Adam”模型，使其可以被用于捕捉社交群体的大运动和细微的面部、手势运动。
Jan, 2018
本文提出了一种从单目视角输入捕获目标人物3D运动的方法，利用3D可变形网格模型重建运动，使用3D部分方向场对所有身体部位的3D方向进行编码，在训练集和性能评估方面表现良好，并在各种挑战性的野外视频上演示了总体运动捕捉的结果。
Dec, 2018
该研究通过利用场景结构、建立人体与场景之间的“临近关系与对象排除法”来更好地从单眼图像中估计人体姿势，并显示引入场景约束可以显著减少3D关节误差和顶点误差。
Aug, 2019
本研究提出了一种比SMPL更为优秀的3D人体姿态和形状估计、合成和分析方法STAR，通过每个关节的姿势修正和基于身体姿势和BMI的形状相关姿势修正深度学习而得，同时通过对较多女性和男性对象的训练提高了模型的推广和应用性。
Aug, 2020
本研究通过 ExPose 方法，在 RGB 图像中直接完成人体、面部和手部的三维捕捉及表达，与现有优化方法相比，更加准确、高效。
通过整合不同算法的结果，使用SMPL-X公共空间，以及考虑人类形体和性别的关联关系，PIXIE可以从单一图像中生成具有逼真面部细节的全身三维动画角色。与现有技术相比，PIXIE获得更准确的全身形状和细节面部形状。
May, 2021
本研究提出了一种全新的手部模型（MANO），并使用MANO模型，结合标准化的人体三维模型（SMPL）构建了一个全身可动态捕捉的模型（SMPL+H），实现了复杂的人体动作捕捉并保持高度真实性。
Jan, 2022
本文提出了一种名为 SUPR 的新型人体建模方案，联合训练了全身模型和特定部位模型，其中包括一种能够捕捉脚部运动特征的新型运动学树，并且利用非线性变形函数预测脚部在接触地面时的变形。
Oct, 2022
通过大数据和大模型，本研究扩展了表达性人体姿势和形状估计(EHPS)模型，命名为SMPLer-X，采用ViT-Huge作为骨干，并使用来自不同数据源的450万个实例进行训练。SMPLer-X在多个测试基准上展现出强大性能，并且对于未知环境具有极高的可迁移性。
Sep, 2023