本文提出了一个 SRT 网络，通过时空趋势推理设计了一个时间趋势推理（TTR）模块和一个空间趋势增强（STE）模块，来提高人体姿态估计的准确性。通过实验在公共数据集上验证，该模型与同类算法性能相当。

Oct, 2022

基于可学习的三角测量方法，使用两种新颖方案对多视图 3D 人体姿势估计进行了探索，其中一种使用置信度权重，另一种是基于体积聚合和三维卷积技术，具有端到端可微的特性，提高了 Human3.6M 数据集上的多视图姿态估计表现。

May, 2019

通过视频数据创建可控、逼真、几何详细的数字化人类复制品是计算机图形学和视觉领域的关键挑战，特别是当需要实时性能时。最近的方法将神经光辐射场（NeRF）附加到关节结构上，如身体模型或骨骼，将点映射到姿势规范空间，同时条件化 NeRF 的骨骼姿势。我们提出了 TriHuman，一个新的人体定制、可变形和高效的三平面表示方法，实现了实时性能、最先进的姿势控制几何合成以及逼真的渲染质量。在核心部分中，我们非刚性地将全局光线采样变形到无变形的三平面纹理空间中，这有效解决了将全局点映射到相同三平面位置的问题。然后，我们展示了如何将这种三平面特征表示方法与骨骼运动相关联，以考虑动态外观和几何变化。我们的结果表明，对于人体的几何和外观建模以及运行时间性能，有了明显的质量提升。

Dec, 2023

在短基线双目 3D 人体姿态估计和遮挡处理中，我们提出了 Stereo Co-Keypoints Estimation 模块来改善视图一致性和增强 3D 稳健性，同时引入 Pre-trained Pose Transformer 模块以处理遮挡问题。

Nov, 2023

本文提出了一种新的基于图注意力网络的轨迹和姿态动力学建模方法，通过消息传递界面融合了输入输出空间中人机和人物交互的不同层次，最终在两个具有挑战性的数据集上评估其性能，证明其优于先前的工作和针对轨迹和姿态预测任务的现有技术水平。

Apr, 2021

这篇文章介绍了一种针对 3D 人体动作识别领域的改进型骨架图像表示方法 ——Tree Structure Reference Joints Image（TSRJI），并运用于卷积神经网络，实现了最新数据集 NTU RGB+D 120 上的最优结果。

Sep, 2019

本文提出了一种基于姿势的轻量级方法 GTRS，它可以从 2D 人类姿态重构人类网格。该方法利用图变换器来提取结构化和隐式的关节相关性以及网格模板来重构人类网格，从而大大提高了模型的效率和泛化性能。在 Human3.6M 和 3DPW 数据集上进行广泛的评估，GTRS 方法在仅使用 10.2％ 的参数和 2.5％ 的 FLOPs 的同时，比 SOTA 基于姿态的 Pose2Mesh 方法实现了更好的准确性。

Nov, 2021

本文提出了一种称之为 TBIFormer 的新型多人姿态预测框架，利用社交身体相互作用自我关注机制和轨迹感知相对位置编码来高效地建模身体部位间的交互影响，实验结果表明，在短时和长时预测上，该方法在 CMU-Mocap、MuPoTS-3D 和合成数据集方面，都显著优于现有的其他方法。

Mar, 2023

该研究提出了一种基于 TetraTSDF 和 PCN 的人体建模方法，通过卷积神经网络和三维人体先验知识，可以从单张图像中重建穿着宽松衣服的真实 3D 人体模型。

Apr, 2020

通过提出一种新颖的编码器 - 解码器 Transformer 架构，结合多视角和时间信息、几何关系和 2D 姿态检测可信度，我们解决了估计多视图下遮挡和受限重叠视图的 3D 人体姿势的挑战。我们的实验表明该方法在传统三角定位方法的具有挑战性的遮挡场景和视图受限场景中表现出很好的效果。

Dec, 2023