提出了一种在现有 2D 姿态检测器的基础上，从单张图像中估计 3D 人体姿态的方法，通过线性组合稀疏基，实施限制并优化，得出该方法在三个基准数据集上的表现优于现有技术。

Jun, 2014

本文提出了一种使用生成对抗网络进行无监督学习的方法，能够从单张图片的2D关节点位置预测出3D人体姿态，无需使用3D数据集，而且即使在训练时缺乏数据，该方法也能很好地预测3D姿态。

Mar, 2018

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

本文提出了一种新颖的时间姿势序列建模框架，可以将3D人体骨骼关节的动态嵌入到一个连续的潜在空间中，并应用于细粒度动作识别。 通过Encoder GAN和PoseRNN组合实现了一个无监督的骨架姿势重构和自编码器架构，该架构在SBU交互数据集上表现出了先进的传输性能和姿势插值。

Dec, 2018

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

本文提出了一种采用运动学结构保持无监督学习的 3D 人体姿势估计框架，可以避免使用任何弱监督模型，并通过能量损失和运动学先验知识来训练模型，提高对新环境下的准确性和泛化能力。

Jun, 2020

本文提出了一种简单但有效的无监督学习方法，结合自一致性和交叉一致性约束，并将尽可能刚性形变集成到训练循环中，以学习体态模型中的形状和姿态空间，并演示了学习表示的实用性，包括姿势转移和形状检索，实验证明了该方法的通用性。

Jul, 2020

本研究展示了一个基于深度学习的3D人体姿态估计方法，为了克服不同数据集提供的不同骨骼格式这一障碍，我们提出了一种新颖的仿射组合自编码器方法(ACAE)，以实现由多个数据集超级所见，其中我们使用28个3D人体姿态数据集来监督一个模型，并在各种基准测试中取得了比以前的工作更好的表现。

Dec, 2022

提出了一种具有层次空间和时间降噪器的解开扩散式的三维人体姿势估计方法，该方法通过在扩散模型的正向过程中解开姿势并扩散骨长和骨方向，以有效建模人体姿势先验。在反向过程中，通过使用层次相关的空间转换器和层次相关的时间转换器来改进每个关节的层次建模，并探索关节之间的层次化时间相关性。

Mar, 2024