本文对人体姿态估计模型的对抗攻击和其鲁棒性进行全面深入的研究，基于多个数据集对多个 2D 单人姿态估计体系进行评测，探讨了回归型网络攻击等未曾被研究过的问题，并发现热力图建模型比直接回归模型更具鲁棒性。此外，文中还展示了通用扰动的可视化效果，并进行了用户研究。

Aug, 2019

本论文提出了一种对抗性学习框架，利用基于多源鉴别器的几何描述符对在野外场景下的 2D 姿态注释图像进行 3D 人体姿态估计。实验证明，该方法在公共基准测试上明显优于以往的最先进方法。

Mar, 2018

本文提出一种新的适用于人体运动序列的可调节的针对性对抗攻击方法，通过引入两个物理约束条件，提高对抗样本的无感知性，定量和定性结果表明，串联对抗样本可以很好地欺骗目标预测模型，提高人体运动预测器的对抗鲁棒性，但相较于帧至帧比较，该攻击样本比较容易被检测到。

Jun, 2023

提出对抗数据增强方法来优化神经网络模型的训练，通过生成难度较高的增强操作来让网络进行学习，实现训练的同时进行数据增强，对人体姿势估计问题进行实验测试，证明该方法能够显著提高模型性能而不需要额外的数据增强。

May, 2018

本文研究了深度学习中对 3D 场景识别任务的影响，发现对于单目深度估计和姿态估计，添加微小的扰动会导致预测出现明显偏差，网络具有一定的漏洞和不足。

Jul, 2022

本文提出了一种基于深度学习的人体姿势估计方法，采用生成对抗网络作为学习模式，在两个相同结构的堆叠沙漏网络中设定生成器和判别器，生成器用作人体姿势估计，判别器将真实热力图与生成的热力图区分，通过对抗损失反向传播至生成器，使生成器学习合理的人体各部分构造，提高预测准确性。

Jul, 2017

人体姿势估计是计算机视觉中的基本且具有挑战性的任务。本文提出了一种自适应关键点遮罩方法和双分支数据增广方案，用于改进半监督姿势估计的准确性和泛化能力，超过了现有的半监督姿势估计方法。

Apr, 2024

当前的 3D 人体姿势估计技术虽然表现出色，但在复杂的野外视频中理解和提升它们的普适性仍然是一个开放的问题。本文聚焦于 2D 到 3D 姿势提升器的稳健性，并开发了两个基准数据集来检验视频 - based 3D 姿势提升器对包括临时遮挡、动态模糊和像素级噪声在内的一系列常见视频污染的稳健性。我们观察到现有的最先进的 3D 姿势提升器在存在污染的情况下的普适性较差，并提出了两种应对这一问题的技术。首先，我们引入了时间加性高斯噪声 (TAGN) 作为一种简单而有效的 2D 输入姿势数据增强技术。此外，为了将 2D 姿势检测器输出的置信度得分纳入考虑，我们设计了一种置信度感知的卷积 (CA-Conv) 块。通过在受损视频上广泛测试，所提出的策略不断提升了 3D 姿势提升器的稳健性，并为未来研究建立了新的基准。

Dec, 2023

提出了基于语义数据增强和对抗学习的人体姿势估计方法，在应对外观对称性、严重遮挡和近距离干扰等多种挑战性情况下，取得了最先进的结果。

Aug, 2020

通过多教师知识蒸馏与统一的骨骼表示相结合，我们提出了一种新颖的方法来解决姿态估计中不一致的骨骼注释所带来的挑战，同时提升了模型在不同数据集上的适应性，实现了更准确的康复 7 个主要关键点和 21 个扩展关键点的预测。

May, 2024