本研究中，我们提出了一种度量尺度的截断鲁棒体素热力图，该热力图的维度定义在靠近主体的度量 3D 空间中，使我们能够在没有测试时间知识的情况下估计完整的度量尺度姿势，同时优于现有人体姿势估计标准，具有实时性。

Mar, 2020

本研究提出了一种使用 Part-Centric Heatmap Triplets 作为中间状态的方法，通过 Convolutional Network 将其从输入的图像预测出来，并在 volumetric joint-heatmap regression 之后从体积热图中提取出关节位置，从而缩小了 2D 与 3D 之间的差距，实现 3D 人体姿态估计，并在对比实验中比当前最先进的方法有明显的性能提升（Human3.6M 上提升了 20%）。

Oct, 2019

本文介绍了一种改进的三维人体姿势预测模型 MargiPose，它使用深度神经网络和增强软最大值方案，可以在保持可微性的同时，从单眼 RGB 图像中预测二维边缘热图，并在公开的三维人体姿势估计数据上实现了最新的准确性。

Jun, 2018

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

本论文介绍了作者在 2018 ECCV PoseTrack Challenge 中 3D 人体姿势估计比赛中获胜的方法，使用全卷积 Backbone 架构，增强训练数据使用来自 Pascal VOC 数据集的随机遮挡物，使用 L1 误差最小化在 3D 相机空间中反投影坐标得到绝对人中心深度的预测结果。

Sep, 2018

本文提出了一种基于多层热力图压缩的深度学习模型，可在 8 fps 的运行时处理全高清 RGB 图像，用于多人和单人 3D 人体姿态估计。

Apr, 2020

通过采集互联网上的时尚模特图片和一小部分人体测量数据，以及用于各种三维身体网格的语言形状属性，我们训练了一种名为 SHAPY 的神经网络，该模型可从 RGB 图像中回归出三维人物的姿态以及形状。在新的 HBW 数据集上进行测试，SHAPY 在三维人体形状估计任务上表现出色，明显优于现有技术。

Jun, 2022

提出了 EgoTAP 方法，用于高精度的立体自我中心 3D 姿势估计，通过使用自我注意力将联合热力图总结为有效的特征嵌入，然后利用骨骼信息来更好地估计模糊关节的位置，明显优于先前的最先进方法，定量和定性地证明了 MPJPE 度量误差减少 23.9％。

Feb, 2024

本文提出一种使用 2.5D 姿势表示的新方法来从单目图像中估计 3D 手部姿态，通过使用深度图和热力图分布来训练卷积神经网络 (CNN) 模型，该模型在多个数据集上实现了最先进 2D 和 3D 手部姿态的估计。

Apr, 2018

通过整合鲁棒性 2D 姿态表示，PostoMETRO（Pose token enhanced Mesh TRANSformer）在变压器模型中以令牌方式恢复 3D 坐标，从而提高单张图像人体网格恢复的性能，尤其在遮挡等极端场景下的准确性和清晰度。

Mar, 2024