该论文提出了一种名为 RSC-Net 的算法，它通过 resolution-aware network、self-supervision 和 contrastive learning scheme 解决了低分辨率输入图像对姿态和人体形状估计的挑战，并在弱监督条件下实现了更好的结果。

Jul, 2020

本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法，该方法借助于过度完备的自动编码器并考虑关节从属关系，优于现有技术，包括结构保留和预测准确性两方面。

May, 2016

本文提出了一种从稠密对应的人体部位进行学习的方法，通过构建 2D 像素与 3D 顶点之间的桥梁，提出了解决非线性、位移等问题的 Decompose-and-Aggregate 网络（DaNet），并给出了一种利用空间关系的位置辅助旋转特征细化策略来提高鲁棒性的姿态预测策略，发现该方法显著提高了重建性能。

Dec, 2019

使用多视角图像建议一种可伸缩的神经网络框架来重建 SMPL 模型子空间中的人体 3D 网格，并在现实图像上表现优异，特别是在形状估计方面。

Aug, 2019

使用两种解剖启发的损失函数和弱监督学习框架，结合大规模野外 2D 和室内 / 合成 3D 数据共同学习人体姿态估计。还提出了一个简单的时间网络来调和预测的姿态序列，并通过损失表面可视化和敏感性分析仔细分析了所提出的贡献的工作机制。我们的完整流程在 Human3.6M 和 MPI-INF-3DHP 上分别提高了 11.8％和 12％，并在普通图形卡上以 30 FPS 运行。

Nov, 2017

本文提出了一种通过多视角的训练，使用一致性约束联合监督损失及惩罚项实现替代大量标注的 3D 人体姿态估计方法，并提出了一种联合估计相机姿态及人体姿态的方法，在 3D 人体姿态估计方面取得了良好的表现。

Mar, 2018

本文提出了一种基于运动捕捉数据集和大规模图像和视频数据集的半监督和自监督学习方法，利用运动和不同 iable 的语义身体部位对齐损失函数进行训练，来精确地估计单眼三维人体姿态和形状。实验结果证明，该方法优于现有技术，可用于广泛的真实场景。

Mar, 2020

本文介绍了一种利用自监督学习估算不需要人工标注的静态背景下单个人物的 2D 视频帧生成 3D 人体姿势的方法。作者采用射线投射技术进行人体模板的渲染，使神经网络可以对渲染结果进行优化，从而获得了令人满意的结果。

Oct, 2022

该研究提出了一个新颖的端到端框架 DenseRaC，用于从单 ocular RGB 图像中联合估计三维人体姿态和身体形状。通过使用 IUV 映射作为代理表示，然后执行参数化人体姿态和形状的估计，以及最小化输入和渲染输出之间的差异，通过使用 render-and-compare 方案，我们进一步集成了监督学习和对抗生成网络。此外，为了提高学习，研究人员还构建了一个大规模的合成数据集（MOCA），利用网络爬取 Mocap 序列，3D 扫描和动画。该模型通过联合学习来自混合数据集的 3D 人体表示，从而缓解了无配对训练数据的问题。实验结果表明，DenseRaC 在各种涉及人体的公开基准测试中的表现优异。

Sep, 2019

该研究论文提出了一种基于深度学习和递归神经网络的方法，采用含有 3D 注释的合成单眼视频来恢复完整的 3D 人体姿势，并在定量和定性分析中证明了该方法的有效性。

Jun, 2019