本文提出了一种在艺术历史图像中估计人类姿势的新方法，通过半监督学习对目标和关键点检测进行了改进，并且引入了一个包括人体姿势标注的新领域特定艺术数据集，相对于使用预训练模型或风格转移的方法，达到了显著更好的结果。

Jul, 2022

本研究尝试使用当前最先进的机器学习技术自动化艺术品图像构图的分析，通过检测艺术品中的行动区域和动作线以及前景和背景之间的基于姿势的分割，为艺术史学家提供更加高效和精细的分析方法，并且可以使机器更好地理解人类创造的艺术品。

Sep, 2020

通过图像风格迁移优化数据集并微调模型，使其在古希腊花瓶绘画领域的姿势估计任务上获得更优秀的性能。

Dec, 2020

本文提出了一种用于学习将身体相似姿势的图像放置在附近的 embedding 方法，该方法可以作为一种直接比较基于人体姿势的图像的方法，避免了估计身体关节位置的潜在挑战。通过三元组距离准则构建了姿态嵌入学习，采用深度架构，使能够学习区分不同姿态的表征，文中的实验在人体姿态匹配和从视频数据中检索上展示了该方法的潜力。

Jul, 2015

提出了一种结构感知回归方法，利用骨代替节点进行重新参数化，使用联合连接结构定义组合损失函数来编码姿态中的长程相互作用，在 2D 和 3D 姿态估计中具有普适性并且在人体姿态估计领域的两个数据集（Human3.6M 和 MPII）中显著超越最先进的方法和竞争最先进结果的性能。

Apr, 2017

该研究旨在从图像中学习自包含的身体部位表示形式（即称为视觉符号）及其符号化的几何上下文，以此来解析人类姿势，并利用潜在支持向量机和有效的交叉验证过程来对视觉符号进行分类，实现对肢体部位的精细分类。当姿势的构造部分是一棵树时，我们提出了一种有效的方法来估算图像中的人体姿势，并通过两个大型数据集的实验表明，该方法优于现有的方法。

Apr, 2013

本研究提出了一种三步走的文本姿势转移方法，解决了现有姿势转移算法的缺陷，并在 DeepFashion 数据集上新增了姿势注释，通过实验得出了显著的定量和定性分数。

Jul, 2022

介绍了一种新的涵盖自然与人造场景图片，包含 2D 和 3D 人体注释信息的 Human-Art 数据集，此数据集包含 5 种自然场景和 15 种人造场景共 50k 张高质量图片，为多项计算机视觉任务提供了全面且多样化的样本，包括人体检测，2D 和 3D 人体姿态估计，图像生成和运动转移等。

Mar, 2023

本文介绍了一种基于结构感知流的方法，利用语义部分将人体分解，来应对人物姿态变换并生成高质量图像，网络模块能够有效地捕捉人体局部和全局语义特征，实验结果表明，该方法在生成高质量图像方面胜过其他方法。

Feb, 2021

本文提出了一个基于两级分层变形的自适应人体姿态转移网络，使用门控卷积动态选择图像的重要特征并逐层自适应变形，通过更少的参数快速收敛并在服装纹理转移等任务中获得更好的性能。

Dec, 2020