在 3D 人体姿势估计领域中，准确估计人体姿势，特别是在存在遮挡的情况下，是一个重要挑战。本研究通过填补当前 3D 人体姿势估计技术的不足之处，即缺乏处理遮挡数据和策略，引入了新颖的 BlendMimic3D 数据集，设计用于模拟真实世界中存在遮挡情况的场景，并与 3D 人体姿势估计算法无缝整合。此外，我们提出了一种使用图卷积网络（GCN）的 3D 姿势细化块，通过图模型改进姿势表示。这个 GCN 块作为一种即插即用的解决方案，可适应各种 3D 人体姿势估计框架，而无需重新训练它们。通过使用 BlendMimic3D 中的遮挡数据训练 GCN，我们证明了在解决遮挡姿势上取得了显著的改进，并且在非遮挡姿势上具有可比较的结果。该项目网页可在此 https URL 找到。

Apr, 2024

通过使用空时图形来表示变形的人体，并引入一个细化网络，该网络在此图形上执行图形卷积以输出 3D 姿势，以确保对遮挡鲁棒性，通过使用一组二进制掩码训练此网络，并模拟某些关节在一段时间内可隐藏，并训练网络对此免疫，证明了该方法相对于从单摄像机序列推断姿势的最先进技术的有效性。

Feb, 2024

提出了一种新的框架，将图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）相结合，以强韧地估计无需摄像机参数即可实现相机中心多人 3D 姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息，并结合使用 GCNs 和 TCNs 的方法。定量和定性评估表明，所提出的方法具有实际应用效果。

Dec, 2020

通过提出的 HG-RCNN 网络，借助 Mask-RCNN 和 Hourglass 结构进行多人 3D 人体姿态估计，实现对每个感兴趣区域（RoI）中 2D 关键点的先预测后提升，最终采用弱透视投影模型和焦距和根偏移的联合优化将估计的 3D 姿态置于相机坐标系下，该网络简单模块化且无需多人 3D 姿态数据集，取得了 MuPoTS-3D 数据集的最优性能，并能近似在相机坐标系下估计 3D 姿态。

Sep, 2019

本文提出了一个综合框架 DAG (Data, Attention, Graph)，用于解决因遮挡引起的性能降级问题。通过模拟遮挡场景，引入了掩蔽关节与实例粘贴数据增强技术；通过自适应判别注意力模块 (ADAM) 有效增强目标个体的特征；通过特征引导的多跳图卷积网络 (FGMP-GCN) 充分探索身体结构的先验知识，并提高姿势估计结果。通过在三个用于遮挡人体姿势估计的基准数据集上进行了广泛的实验，我们证明了所提出的方法优于现有的方法。代码和数据将公开提供。

Dec, 2023

该研究提出了一个新的数据集（THEODORE+），用于训练和评估卷积神经网络（CNNs）在全景相机中识别人体姿态，以及针对 THEODORE + 数据集的四种重新训练或微调神经网络的训练方法，并在 PoseFES 数据集中取得较明显的改进。

Apr, 2023

借助多尺度空间特征和多步幅时间卷积网络，在设计 A 的基础上，B 通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性，并利用 2D 视频数据注入半监督学习能力。实验证实了该方法的有效性，并且消融研究表明我们网络的单个子模块的优势。

Apr, 2020

该研究提出了一种基于图卷积和 transformers 的 Spatio-temporal 3D HPE 模型，通过综合利用时空特征和合成的遮挡来处理遮挡，实验证明该方法比现有的遮挡感知方法更有效，并且在没有任何遮挡处理机制时，现有的 3D HPE 方法在遇到遮挡时性能会显著下降。

Apr, 2023

我们开发了一种方法来明确建模隐藏关节推理过程以显着增强有或无遮挡的人体姿势估计，将任务分为两个子任务：可见关键点检测和遮挡关键点推理，并提出了深度监督编码器蒸馏和骨架引导人体形状拟合来训练我们的模型，实验证明从遮挡中明确学习可以提高人体姿势估计的性能。

Jul, 2022

本文提出了一种基于遮挡指导的 3D 人体姿态估计框架，利用不同协议对其遮挡处理能力进行了量化，并利用动作分类表现作为评估标准，证明了该方法能更准确地预测缺失节点的 3D 姿态，并在存在缺失节点时显著提高了动作识别性能。

Mar, 2022