本文介绍了一种使用关节模板和物种的图像来捕捉新物种的方法，重点关注鸟类。通过解开姿态和形状，从图像证据中学习捕捉各物种和每个物种内部变化的形状空间，并使用低维嵌入，展示了所学 3D 形状空间比感知特征更好地反映了鸟类之间的系统关系，并提供了一些新的物种特定和多物种形状模型，有利于下游重建任务。

May, 2021

提出了 Animal3D 数据集，为哺乳动物的 3D 姿态和形状估计提供了全面的数据集，实验证明跨物种的动物 3D 形状和姿态的预测仍然是一项非常具有挑战性的任务，合成预训练是提高模型性能的一种可行策略。

Aug, 2023

系统通过机器学习前端预测 2D 关节位置，离散优化获得关节对应关系，并通过能量最小化配合 3D 模型恢复出广泛种类的四足动物的 3D 形状与运动，该系统在动物视频测试中展现出精准重建的能力。

Nov, 2018

本研究提出一种基于深度卷积网络的姿态标准化方法和特征学习策略，相比于以往算法，在鸟种识别领域取得了更好的分类效果。

Jun, 2014

我们提出了一种从单目视频中构建可动画的狗头像的方法，通过解决动物的姿态变化和外观问题，提高了基于模板的形状拟合的质量。我们的方法在 CoP3D 和 APTv2 数据集上展示了优异的结果。

Mar, 2024

本文提出了一种新方法，用于单视角 3D 风格转换，生成具有形状和纹理转换的独特 3D 对象，主要关注鸟类的 3D 重建，通过引入 DRGNet 和 MLP 构建了一个新型的 3D 鸟类，并使用语义 UV 纹理传输模块实现文本样式转换，最终结果在 CUB 数据集上表现出最先进的性能。

Jul, 2023

本文提出了一种基于自监督学习的关键点预测方法来进行相机位姿预测及三维目标物体的在线重建的深度学习网络，并在几个数据集上进行了实验，取得了显著的改进。

Feb, 2023

该篇论文提出一种无需直接监督的学习单视角形状和姿态预测的框架，通过利用未知姿态的多视角观察信号进行训练，并在训练中在同一实例的两个视图之间强制实施几何一致性来独立预测形状和姿态，从而学习在新出现的标准框架中预测形状和相应的姿态预测器。在使用 ShapeNet 数据集时，取得了与先前依赖更强监督形式的技术相当的鼓舞人心的竞争成绩。此外，还展示了该框架在现实环境中的适用性，该环境超出了现有技术范畴：使用由在线产品图像组成的训练数据集，在这些数据集内，底层的形状和姿态是未知的。

Jan, 2018

通过 Pix3D 数据集，我们在三个方面对单张图像进行 3D 形状建模进行研究：建立了包含图片和对应 3D 模型对的大规模基准数据集，对 3D 形状重建的评估标准进行了校准并设计了一种新的模型，该模型在 3D 重建和姿态估计任务上均实现了最先进的性能。

Apr, 2018

无标记方法的动物姿势跟踪近年来得到发展，但在三维中跟踪大型动物群体的框架和基准仍然缺乏。为了弥补文献中的这一空白，我们提出了 3D-MuPPET，一个使用多视图以交互速度估计和跟踪多达 10 只鸽子的三维姿势的框架。我们训练了一个姿势估计器来推断多只鸽子的 2D 关键点和边界框，然后将关键点三角化为三维。对于对应匹配，我们首先动态地将 2D 检测匹配到第一帧的全局身份，然后使用 2D 跟踪器在后续帧中保持对应关系。我们在均方根误差 (RMSE) 和正确关键点的百分比 (PCK) 方面实现了与最先进的 3D 姿势估计器相当的准确度。我们还展示了一个新颖的用例，即我们使用单只鸽子的数据训练的模型在包含多只鸽子的数据上提供了可比较的结果。这可以简化到新物种的领域转变，因为注释单个动物数据的工作量比多个动物数据的工作量小。此外，我们对 3D-MuPPET 的推断速度进行了基准测试，在 2D 中为每秒 10 帧，在 3D 中为每秒 1.5 帧，并进行了定量跟踪评估，取得了令人鼓舞的结果。最后，我们展示了 3D-MuPPET 在室内和室外环境中无需模型微调即可运行的能力，据我们所知，我们是首次提出在室内和室外环境中工作的 2D/3D 姿势和轨迹跟踪框架。

Aug, 2023