本文通过提出一种新的方法，在人体姿势估计中实现了更好的3D姿势估计精度，通过使用单目图像序列并利用深度全卷积网络预测2D关节位置的不确定性图，并使用期望最大化算法进行3D姿势估计。

Nov, 2015

本文研究了从单个图像估计三维人体姿态的问题，并利用距离矩阵回归的方法，结合卷积神经网络检测器在处理距离矩阵时能自然处理遗漏的 joint信息，在 Humaneva 和Human3.6M 数据集上表现出更好的性能。

Nov, 2016

使用两种解剖启发的损失函数和弱监督学习框架，结合大规模野外2D和室内/合成3D数据共同学习人体姿态估计。还提出了一个简单的时间网络来调和预测的姿态序列，并通过损失表面可视化和敏感性分析仔细分析了所提出的贡献的工作机制。我们的完整流程在Human3.6M和MPI-INF-3DHP上分别提高了11.8％和12％，并在普通图形卡上以30 FPS运行。

Nov, 2017

本文提出使用多视角图像而无需注释，来学习一个具有几何感知能力的身体表示，通过使用该身体表示，我们的方法在仅使用少量标记数据的情况下，显著优于完全监督的方法，并且在使用仅 1% 标记数据时，也优于其他半监督方法。

Apr, 2018

通过弱监督学习和人群注释者提供的深度相对估计信号，我们提出一种 3D 人体姿势估计算法，用于只在 2D 输入图像中学习。结果竞争力优于目前现有算法，可为在未经过精心控制的现实世界中进行3D姿势估计开辟道路。

May, 2018

本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器-解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

Mar, 2019

通过采用无监督学习技术，基于来自单个图像的2D骨架关节，我们提出了一种恢复3D人体姿势的方法，该方法不需要任何多视图图像数据、3D骨架、2D-3D点之间的对应关系或在训练过程中使用先前学习的3D先验知识。我们的方法采用一个lifting网络将2D关键点作为输入，并生成相应的3D骨架估计，其中我们通过在随机相机视点重投影修复后的3D骨架来产生新的“合成”2D姿态。我们还训练了一个2D域适配器网络来扩展2D数据，并通过自适应正则化机制使域适应效果更好。最终，在Human3.6M数据集上，我们的方法对无监督三维lifting的改进达到了30％，并且优于许多明确使用3D数据的弱监督方法。

Apr, 2019

提出使用神经网络框架PoseNet3D将二维关节作为输入，输出三维骨架和SMPL体模型参数，通过在学生-教师框架下的学习方法，无需使用任何3D数据进行训练，结果表明与之前的无监督方法相比，该方法将3D关节预测误差降低了18％。

Mar, 2020

本文提出一种基于弱监督方式，利用多视角数据进行3D人体姿势估计的学习框架，包括利用2.5D表示法的目标函数，经过测试在两个大规模数据集上达到了半监督/弱监督方法的最佳表现。

Mar, 2020

本文提出了一种基于自监督学习的框架，利用单个基于零件的2D木偶模型、人体姿势约束和一组未配对的3D姿势来区分摄像机捕捉的人体姿态中的变化，从而在不同视频中提高多个任务的性能，包括3D姿势估计和部分分割。

Apr, 2020