该研究提出了一种人体姿势和形状预测模型，可以识别不可靠的预测区域，特别适用于人机交互领域。

May, 2023

我们提出了一个新的框架来增强全身姿势和形状估计的鲁棒性，其中包括三个模块以从三个角度解决上述挑战：1）定位模块，2）对比特征提取模块，3）像素对齐模块，并通过全面实验证明了该框架在身体、手、脸和全身基准测试上的有效性。

Dec, 2023

提出了一种在现有 2D 姿态检测器的基础上，从单张图像中估计 3D 人体姿态的方法，通过线性组合稀疏基，实施限制并优化，得出该方法在三个基准数据集上的表现优于现有技术。

Jun, 2014

本文提出了一种基于稀疏表面标记预测人体运动的方法，通过 MOJO 模型生成高频成分的动画，使用 SMPL-X 模型保证解决方案符合身体的真实形态，并取得了最先进的结果。

Dec, 2020

我们开发了一种适用于儿童的三维姿势估计器，通过改进现有的三维身体建模方法并结合线性回归模型来纠正儿童的三维网格姿势，从而在控制环境和真实环境中成功地估计儿童的三维身体姿势。

Feb, 2024

本文提出了一种更加紧凑和高效的多人姿态估计框架，使用自适应点集来表示人体部位并使用单阶段网络精细地回归多人姿态，在 COCO 测试开发数据集上实现了最佳速度 - 准确度平衡。

Dec, 2021

本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

Dec, 2018

该研究利用深度学习在单目 3D 人体姿势估计领域提出了一种新型结构，可以同时从图像中推算出 3D 关节坐标和 2D 关节位置，使用可训练的融合方案使信息得以最佳融合，从而在标准的 3D 人体姿势估计基准测试中大幅提高了现有技术水平。

Nov, 2016

本文提出了一种名为 EgoPoser 的方法，通过重新思考基于头戴式设备的自我姿态估计的输入表示以及引入一种新的运动分解方法，在不依赖全局位置的情况下预测全身姿态，仅通过头戴式设备的视野内的间歇性手部位置和方向跟踪鲁棒地建模身体姿势，并且针对不同用户的各种身体尺寸进行了泛化。实验证明，EgoPoser 在质量和数量上都胜过了现有的方法，并且推断速度高达每秒超过 600 帧。EgoPoser 为未来的工作奠定了坚实的基础，不再需要依赖外部捕捉并能在大场景环境中扩展全身姿势估计。

Aug, 2023

本文提出了一种快速准确的全身三维姿态估计系统 FrankMocap，该系统通过模块化设计，独立地对面部、手和身体进行三维姿态回归，然后通过集成模块合成回归输出，从而实现同时产生三维面部姿态、手和身体姿态的功能。快速而简单的集成模块可以避免整体优化和端到端方法的缺陷，从而在定量和定性上都显示出了优于现有方法的性能。

Aug, 2021