本文提出了一种基于高阶正则分裂图网络（RS-Net）的 2D-to-3D 人体姿态估计方法，通过矩阵分裂和权重调节等方法来捕捉贯穿身体骨骼的长距离依赖，并学习不同的调制向量和调制矩阵来帮助调整图结构，该方法在两个基准数据集上实现了优异的性能。

May, 2023

本文提出了一种新颖的方法 ——Residual Steps Network（RSN）。RSN 能够有效地聚合相同空间大小的特征（Intra-level features）以获取精细的局部表示，从而保留丰富的低级空间信息，并导致精确的关键点定位。此外，作者在输出特征方面观察到不同的特征会对最终性能产生不同的贡献。为了解决这个问题，作者提出了一种有效的注意机制 —— 姿态细化机器（Pose Refine Machine，PRM），在输出特征中在局部和全局表示之间做出权衡并进一步改进了关键点位置。该方法在 COCO Keypoint Challenge 2019 中获得了第一名，并在 COCO 和 MPII 基准测试中取得了最先进的结果，而不使用额外的训练数据和预训练模型。我们单个模型在 COCO 测试版中获得了 78.6 的分数，在 MPII 测试数据集上获得了 93.0 的分数。集成模型在 COCO 测试版中获得了 79.2 的分数，在 COCO 测试挑战数据集上获得了 77.1 的分数。源代码可以在此网址进行查看。

Mar, 2020

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

本文提出了一种基于神经网络的新型三维人体姿态估计算法，采用关系网络的结构来捕捉不同身体部位之间的关系，并使用每对不同身体部位生成的特征的平均值进行 3D 姿态估计，提出的网络在 Human 3.6M 数据集中实现了最先进的性能，并能在缺失关节的情况下有效地产生可信的结果。

May, 2018

本文解决了人体关节位置估计的问题，提出了基于卷积神经网络的空间姿态模型优化方法，包括人体细节归一化，肢体归一化，以及多尺度监督和融合。实验表明，该方法在基准测试中表现优于现有的最佳方法。

Sep, 2017

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

本文提出了一种新的 6-DoF 姿态估计模型 i-σSRN，通过在神经渲染器中，将目标位置与渲染场景信息联系起来，从而实现对于不同目标的姿态估计和渲染，显著提高了推理性能和速度。

May, 2023

本文提出了一种深度结构模型，用于在不受限制的视频中预测人体姿态序列，借助于深度卷积神经网络、时间信息和领域知识，该模型能够同时表示身体关节的外观和它们的时空关系，并有效约束骨骼结构和强制时间一致性。在两个广泛使用的基准测试数据集上评估该架构，取得了比现有最先进方法更好的性能表现。

Mar, 2017

该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

Aug, 2018

本文介绍了一种新的 RGB-D 相对位姿估计方法，该方法适用于小重叠或非重叠扫描，并且可以输出多个相对位姿。该方法执行场景补全和匹配补全的扫描。

Dec, 2019