本文介绍了一种基于深度学习的单目稠密人体动作捕捉方法，利用多视角监督训练来消除了需要 3D 地面实况注释训练数据的需求，且通过将任务分离为姿势估计和非刚性面变形两个步骤使得其在质量和鲁棒性方面优于现有技术。

Mar, 2020

本研究提供了首个非标记的方法来在单目视频中实现人类的三维运动捕捉，可以重建关节骨架的运动以及一般场景中中等尺度的非刚性表面形变。通过使用卷积神经网络中的疏 2D 和 3D 人体姿势检测，以及基于低维轨迹子空间解决单目重构问题的模式，我们解决了由大范围关节运动，具有潜在快速运动和相当大的非刚性变形构成的人工能捕捉挑战。此外，我们根据完全自动提取的轮廓线提出了基于表面几何的细化方法，以实现中等规模的非刚性匹配，我们的方法实现了最先进的性能捕捉结果，在准确性，鲁棒性和可处理的场景复杂性方面明显优于先前的单目方法。

Aug, 2017

通过元学习来解决人体表演捕捉和从稀疏的 RGB 观测中进行自由视角渲染的问题，提出了 MetaCap 方法，该方法通过稀疏多视角视频进行元学习，从而解决了稀疏视图捕捉中的歧义问题。

Mar, 2024

论文提出了一种实时捕获全身人类表现的全新方法，能够通过单个 RGB 视频重建完整人类的密集、时空一致变形几何形态，通过二阶段的分析合成优化策略实现精细的人类表现捕获，并且结合了 4D 运动捕捉，利用材料区域的自动识别进行模型优化，从而实现最终的实时全身表现捕捉。

Oct, 2018

本论文提出了一种名为 SportsCap 的方法，利用数据驱动的多任务方式，从单眼挑战性运动视频中同时捕获 3D 人体运动和理解细粒度动作，并使用多流空间 - 时间图卷积网络预测细粒度语义动作属性，从而具有分析运动和评分的各种应用。

Apr, 2021

我们提出了第一种方法，可以实时以前所未有的 4K 分辨率渲染穿着常规服装的人体演员的极其逼真的自由视点视频。

Dec, 2023

本研究提出了一种新的端到端学习框架，可以从一张图像中获取多人的详细且具有空间连续性的重建，并能解决多人姿态、遮挡、衣着等问题带来的困难，实现了对穿衣人体在任意姿势下的模型自由_implcicit 3D 重建和同步估计。针对模型和数据集，实验结果表明，该方法与现有的竞争方法相比，具有更高的精度和完整性，呈现了最先进的性能。

Apr, 2021

本研究通过引入 PIFu 算法和使用表面本地化算法以及在线难例挖掘技术，从而在不需要昂贵的多视图系统或繁琐的预定义模型的情况下，从单眼视频中实时捕捉和渲染了一个完整的实纹三维人体。

Jul, 2020

本文提出了 ChallenCap—— 一种基于模板的方法，利用单个 RGB 相机在新颖的学习和优化框架下，结合多模态参考信息，捕捉复杂的人体三维运动。通过使用两个稀疏视角参考点和无配对基于标记的参考点，结合一个生成网络和运动鉴别器，提出了一个混合运动推断阶段，以数据驱动的方式提取特定的挑战性运动特征。同时，通过运动优化阶段结合监督多模态参考提高跟踪精度。在新的运动挑战数据集上的实验证明了我们的方法的有效性和稳健性。

Mar, 2021

本文提出了一种新的方法，使用单个 RGBD 摄像机进行实时自由视点的人体表演捕捉，主要内容包括：多层服装和身体的表示法，以及基于物理的表演捕捉过程。

Mar, 2019