条件有向图卷积用于三维人体姿态估计
本文提出了一种新的神经网络结构Semantic Graph Convolutional Networks（SemGCN），它能够学习在回归任务中捕捉图形结构数据中的语义信息，特别是局部和全局节点之间的关系，并将其应用于3D人体姿势回归，结果表明SemGCN仅使用90％的参数就优于现有技术水平。
Apr, 2019
本研究提出了一种高效的图卷积网络 Pose Refinement Graph Convolutional Network，通过逐步融合运动和空间信息以及尽早减少时间分辨率的并行结构，显式处理姿势误差，从而比其他图卷积网络具有更好的权衡精度，内存占用和处理时间，适用于机器人应用。
Oct, 2020
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
本文提出了一种基于高阶正则分裂图网络（RS-Net）的2D-to-3D人体姿态估计方法，通过矩阵分裂和权重调节等方法来捕捉贯穿身体骨骼的长距离依赖，并学习不同的调制向量和调制矩阵来帮助调整图结构，该方法在两个基准数据集上实现了优异的性能。
May, 2023
本文介绍了一种基于迭代图滤波的框架，用于3D人体姿势估计，并通过高斯-塞德尔迭代法设计了Gauss-Seidel网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。
Jul, 2023
提出了一种新的二维到三维抬升图卷积网络（PoseGraphNet++）用于预测完整的人体姿势，包括关节位置和骨骼方向。通过利用节点和边的卷积，该模型在多个基准数据集上评估，在位置和旋转指标方面的性能与现有方法相当或更好。通过大量的消融研究，证明了PoseGraphNet++从关节和骨骼之间的相互关系中获益。
Aug, 2023
通过结合方向性信息，引入Quater-GCN (Q-GCN)方法来提高3D人体姿势估计性能，并通过半监督训练策略利用无标签数据解决有限方向性的挑战。Q-GCN在与现有方法的综合评估中展现出优秀的性能。
Apr, 2024
介绍了一个用于视频中2D到3D人体姿势估计的多跳图变换网络，通过利用多头自注意力和多跳图卷积网络的优势以捕获时空依赖关系和处理远距离交互，提出了一个模型架构来实现准确的全局和局部依赖关系捕捉以及处理所需的空间细节，实验结果表明其有效性和泛化能力。
May, 2024
我们开发了一种新颖的语义图注意力网络，它能够从自注意力捕获全局上下文的能力中受益，同时利用图卷积来处理骨架的局部连通性和结构约束。我们还设计了一个身体部分解码器，用于提取和改进与身体特定部分相关的信息。此外，我们的方法还包含距离信息，增强了模型理解和准确预测空间关系的能力。最后，我们引入了一种几何损失，对身体的结构骨架施加了关键约束，以确保模型的预测符合人体姿势的自然限制。实验证明了我们方法的有效性，表明系统中的每个元素对提高姿势估计结果至关重要。与最先进方法相比，我们的工作不仅达到了现有基准，而且超过了现有基准。
Jun, 2024