本文提出了 ConvFormer：一种新型的卷积变压器，新增了一种动态的多头卷积自注意机制用于单目 3D 人体姿势估计。通过对人体各关节点之间的关系进行建模，利用时间关节特征的新概念进行完全的时间信息融合，成功地在三个基准数据集上实现了 SOTA 水平的结果，相对于以前的变压器模型取得了显著的参数降低。

Apr, 2023

我们提出了一个多阶段的 3D 序列到序列人体姿势检测框架，利用变压器的自注意力机制从多视角视频数据中捕捉空间 - 时间相关性，实验结果表明我们的方法在 Human3.6M 数据集上表现出色。

Jan, 2024

本研究提出了一种名为 PoseFormerV2 的新型人体姿态估计方法，借助于在频域上紧凑的骨骼序列表示，以有效地扩大接受域并增强对噪声干扰的鲁棒性，进行时域和频域特征有效融合，相较于原始的 PoseFormer 和其他基于 transformer 的变体有更好的速度 - 准确性平衡。

Mar, 2023

提出了一种名为 Fusionformer 的方法用于 3D 人体姿态估计任务，通过引入自身轨迹模块、互相轨迹模块和全局空间时间特征以及局部关节轨迹特征的融合，最终通过姿势精炼网络来平衡 3D 投影的一致性，并在两个基准数据集上进行评估，结果表明与基线方法 poseformer 相比，在 Human3.6M 数据集上分别提高了 2.4％的 MPJPE 和 4.3％的 P-MPJPE。

Oct, 2022

本文提出一种新颖的基于 Transformer 的架构，用于生成 3D 人体运动的模型。该模型能够学习高维度骨骼关节的嵌入，通过解耦的时间和空间自注意机制使得生成的姿态在时间上是连贯的。实验结果表明该模型能够准确地生成短期预测并在长期时间跨度内生成合理的运动序列。

Apr, 2020

本文提出了使用多阶注意力模块与高阶关节关联的高阶有向变换器（HDFormer）进行人体姿势估计的新框架，该框架可以利用细粒度的人体先验知识来弥补现有方法在处理关节点重叠和快速变化时的不足，实现了实时准确的 3D 姿态估计。

Feb, 2023

本文提出了一种名为 Multi-Hypothesis Transformer (MHFormer) 的模型，旨在通过学习多个合理的姿势假设的空时表示，解决单目视频中的 3D 人体姿态估计问题，并在两个具有挑战性的数据集上取得了最新的最优结果。

Nov, 2021

本文提出了一种基于 Transformer 的姿势提升方案，能够处理时间上稀疏的二维姿势序列，但仍能产生时间上密集的三维姿势估计。其采用掩码令牌建模来实现 Transformer 块内的时间上采样，可以大大降低总计算复杂度。在 Human3.6M 和 MPI-INF-3DHP 上评估表明，相对于现有的方法，所提出的方法在保持准确性的同时将推理时间降低了 12 倍，这提高了在不同应用中使用可变消费者硬件的实时吞吐量。

Oct, 2022

为了多视角人体姿势和形状估计，我们介绍了 SkelFormer，一种新颖的无标记动作捕捉方法。我们的方法首先使用现成的在野外大规模训练的 2D 关键点估计器来获取 3D 关节位置。接下来，我们设计了一个基于回归的逆运动学骨骼变换器，将关节位置从嘈杂的观测映射到姿势和形状表示。该模块结合了关于姿势空间的先验知识，并在运行时推断完整的姿势状态。通过将 3D 关键点检测和逆运动学问题分离，并利用我们骨骼变换器学到的表达能力，增强了我们的方法对未见过的嘈杂数据的泛化能力。我们在三个公共数据集上进行实验评估，在分布内和分布外的设置下，对之前的工作表现出良好的性能。此外，消融实验展示了我们架构的每个模块的影响。最后，我们研究了我们的方法在处理噪声和重叠方面的性能，并发现与其他解决方案相比具有相当的鲁棒性。

Apr, 2024

提出一种基于 Transformer 的模型，使用三种独立的 tokens 学习人体的 3D 关节旋转，身体形状和位置信息，进而估算 SMPL 参数，从而解决单目图像或视频中 3D 人体姿态和形状估计的困难问题，并具有较好性能。

Mar, 2023