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

本文提出了一个异构多任务学习框架，用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计，同时学习姿势 - 关节回归器和滑动窗口身体部位检测器，并证明包含身体部位检测任务有助于正则化网络，并指导其收敛于良好解决方案，并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明，我们的网络中间层中学习的神经元针对局部身体部位进行了优化。

Jun, 2014

本文提出一种多任务学习框架，采用深度神经网络进行实现，用于从静止深度图像中预测人体姿态，并使用 MatchNet 协助推断。在大规模数据集上的实验证明该框架可以显著提高人体姿态估计的准确度。

Aug, 2016

本文提出了一种使用卷积神经网络进行端到端学习的 3D 人体姿势估计方法，通过 CNN 学习找出相对于其他关节的相对 3D 位置，并通过将 2D 姿势信息与图像特征连接以及通过关于多个关节的相对位置信息的组合来获得更准确的 3D 姿势。实验结果表明，该方法在 Human 3.6m 数据集上实现了与最先进方法可比较的性能。

Aug, 2016

本文提出了一种基于深度排序的两阶段方法 DRPose3D 来解决 3D 人体姿态估计问题，该方法通过深度分类提取深度排序，再利用 Pairwise Ranking 卷积神经网络进行处理，并引入统计方法来增强模型的泛化性能，实验结果表明该方法在人体姿态估计领域超过了最先进算法。

May, 2018

本文通过使用深度学习方法，针对三维深度图像进行建模，提出了一种名为 Deep Depth Pose 的模型，用于估计人体骨骼关节的三维位置，并在 ITOP 和 UBC3V 数据集上达到了最新的最优效果。

Jul, 2018

本文提出了一种基于多帧和时序信息的人体姿态估计方法。该方法包含三个模块：姿态时序合成器、姿态残差融合模块和姿态校正网络。在 PoseTrack2017 和 PoseTrack2018 数据集上进行的实验结果表明，该方法取得了最佳效果，并已发布代码以期促进未来的研究。

Mar, 2021

本文提出一种基于深度神经网络的人体姿势估计方法，将姿势估计表示为一种基于 DNN 的回归问题，通过级联 DNN 回归器来提高姿势估计的精确性，并在四种不同类型的学术基准测试中取得了优异的实验结果。

Dec, 2013

使用新的 3D 神经网络架构，通过深度图到三维体积表示的转化，直接对手的三维姿态进行估计，无需进一步处理。同时通过合成深度图来增加训练数据覆盖率，在公开数据上达到了最优性能。

Apr, 2017