本研究提出了一种基于深度神经网络的视觉损失函数，通过对凸形物体外轮廓的对齐来驱动位姿更新进行模型为 6D 姿态精修的处理，方法无需确定外观模型、免除了手动图像分割、同时能够处理遮挡问题和几何不对称性与视觉模糊问题，并且能够在没有深度数据的情况下准确地估算物体位姿。

Oct, 2018

利用深度学习，我们提出了一种基于时间的 6 自由度跟踪方法，可在具有挑战性的真实世界数据集中实现最先进的性能，具有比现有最佳方法更准确、更鲁棒的抗遮挡性能，同时保持实时性能。在评估其效力时，我们在几个具有挑战性的 RGBD 序列上进行了评估，并通过一系列对象逐渐被遮挡的序列系统地评估了对遮挡的鲁棒性。最后，我们的方法完全是数据驱动的，不需要任何手动设计的特征：鲁棒跟踪是自动从数据中学习的。

Mar, 2017

本论文提出一种新的概率追踪算法 ICG，可以基于目标物体的区域和深度信息而无需依赖纹理，并采用对应线和点迭代改进姿态，同时增加了鲁棒的遮挡处理，能够在真实场景下实现更高的精度与鲁棒性，实验结果表明，该算法不仅在纹理丰富的物体上表现优异，而且在追踪精度和效率方面远优于现有的技术。

Mar, 2022

本文提出了一种基于深度神经网络的多摄像头的实时人物追踪方法，该方法通过地点网络、快速精确的在线跟踪器等多个模块实现了实时性高、追踪效果优秀的实时多摄像头 3D 人物追踪。

Mar, 2020

本文提出了基于深度感知的长期 RGBD 追踪算法，通过将深度信息嵌入到深度相关滤波器中，并用于目标重新检测，实现了与当前最先进 RGBD 追踪算法相当甚至更好的性能，运行速度达 20fps。

Dec, 2019

论文提出了一种实时捕获全身人类表现的全新方法，能够通过单个 RGB 视频重建完整人类的密集、时空一致变形几何形态，通过二阶段的分析合成优化策略实现精细的人类表现捕获，并且结合了 4D 运动捕捉，利用材料区域的自动识别进行模型优化，从而实现最终的实时全身表现捕捉。

Oct, 2018

本文介绍了一种仅使用少量 Kinect 传感器进行无标记动作捕捉的高效且廉价方法，通过使用最近的图像分割技术和纯合成数据进行课程学习，实现了对身体各部位的准确本地化并且无需使用显式形状模型。同时，我们介绍了一个包含约 6 百万合成深度帧的新数据集，并超过了 Berkeley MHAD 数据集的最新结果。

May, 2016

该研究提出了一种用于实时追踪刚体三维物体 6 自由度位姿的算法，采用单目 RGB 相机，利用一种基于区域的代价函数，并通过 Gauss-Newton 优化得到高度准确和鲁棒的跟踪性能，特别是在有杂乱背景，异质对象和局部遮挡的情况下，该算法表现出色。

Jul, 2018

该研究提出了一种用于实时全身捕捉的方法，可以从一张彩色图像中估计身体和手部的形状和运动，同时还可以生成带有动态 3D 面部模型的手部和身体。其方法采用了一个新的神经网络架构，可以高效地利用身体和手部之间的相关性。与先前的方法不同，该方法可以在多个数据集上进行联合训练，而无需同时注释所有部分的数据，从而实现了更好的泛化能力。该方法可以更准确地捕获面部表情和颜色，还可以估计统计面部模型的形状，表情，颜色和照明参数。在公共基准测试中，该方法达到了竞争性的准确性，但速度更快，提供了更完整的面部重建。

Dec, 2020

追踪物体的六维姿态，在物体本身或观察相机移动时，对许多机器人学和增强现实应用非常重要。在跟踪任务的严格时间限制下，我们提出了将物体追踪简化为加强点云（仅深度）对齐任务的方法。

Jul, 2023