准确估计对象的姿态在计算机视觉和机器人领域是一项关键任务。本文分析了现有方法的局限性，并提出了克服这些局限性的新策略。我们使用了高频成分的位置编码来解决几何表示模糊的问题，并引入了一种基于规范化图像平面的多参考点迭代细化策略来解决细化方法中的局部最小值问题。最后，我们利用自适应实例归一化和简单的遮挡增强方法帮助模型聚焦于目标对象。在 Linemod、Linemod-Occlusion 和 YCB-Video 数据集上的实验证明了我们的方法优于现有方法。我们将很快公布代码。

Jan, 2024

本文提出了一种基于 LSTM 网络，使用时间信息提高 2D 关节点坐标序列估算 3D 姿势的鲁棒性和一致性，实验在 Human3.6M 上提高了 12.2% 的精度。

Nov, 2017

本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

Mar, 2019

本文使用 2Djoint keypoints 学习压缩的视角不变嵌入空间，通过建立概率嵌入模型，实现对不同视角人体姿态的相似性识别，相关技术可应用于姿态识别和视频对齐等方面。

Dec, 2019

本文提出了一种新的人体建模方法，使用稀疏 3D 关键点编码相对空间 3D 信息，并在头部重建方面超过先前的最先进方法。同时也在人体重建方面性能可与参数化模型与时间特征聚合的先前工作相比拟，实验结果表明提出方法的高保真度建模指向了一个新的方向。

May, 2022

本论文提出了一种新的多帧人体姿势估计框架，利用时间差异跨帧建模动态环境，利用互信息来促进实用运动信息的分离，并在基准数据集上获得排名第一和最优性能。

Mar, 2023

该论文提出了一种基于摄像机中心坐标系的神经网络，可以在单个步骤中预测关节位置，取得了当前最先进的结果，适用于 3D 人体姿势估计和 MuPoTS-3D 数据集。

Apr, 2019

本文提出使用多视角图像而无需注释，来学习一个具有几何感知能力的身体表示，通过使用该身体表示，我们的方法在仅使用少量标记数据的情况下，显著优于完全监督的方法，并且在使用仅 1% 标记数据时，也优于其他半监督方法。

Apr, 2018

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

本文提出了一种基于神经网络的新型三维人体姿态估计算法，采用关系网络的结构来捕捉不同身体部位之间的关系，并使用每对不同身体部位生成的特征的平均值进行 3D 姿态估计，提出的网络在 Human 3.6M 数据集中实现了最先进的性能，并能在缺失关节的情况下有效地产生可信的结果。

May, 2018