本文提出了 STRAPS 系统，它利用代理表示法（如轮廓线和 2D 关节点）作为输入，使用合成数据来培训形状和姿态回归神经网络，以克服数据稀缺性问题，并在人体形状估计方面的具有挑战性的 SSP-3D 数据集上表现出色，其精度超过其他最先进的方法。

Sep, 2020

使用多视角图像建议一种可伸缩的神经网络框架来重建 SMPL 模型子空间中的人体 3D 网格，并在现实图像上表现优异，特别是在形状估计方面。

Aug, 2019

本文提出了使用由 3D 运动捕捉数据生成的合成真实人形图像的大规模数据集 (SURREAL) 来训练卷积神经网络 (CNNs)，并且通过该数据集训练的 CNNs 在 RGB 图像中可以准确地进行人物深度估计和人物部分分割。

Jan, 2017

本文提出了一种基于运动捕捉数据集和大规模图像和视频数据集的半监督和自监督学习方法，利用运动和不同 iable 的语义身体部位对齐损失函数进行训练，来精确地估计单眼三维人体姿态和形状。实验结果证明，该方法优于现有技术，可用于广泛的真实场景。

Mar, 2020

该研究提出了一种人体姿势和形状预测模型，可以识别不可靠的预测区域，特别适用于人机交互领域。

May, 2023

我们开发了一种方法来明确建模隐藏关节推理过程以显着增强有或无遮挡的人体姿势估计，将任务分为两个子任务：可见关键点检测和遮挡关键点推理，并提出了深度监督编码器蒸馏和骨架引导人体形状拟合来训练我们的模型，实验证明从遮挡中明确学习可以提高人体姿势估计的性能。

Jul, 2022

使用两种解剖启发的损失函数和弱监督学习框架，结合大规模野外 2D 和室内 / 合成 3D 数据共同学习人体姿态估计。还提出了一个简单的时间网络来调和预测的姿态序列，并通过损失表面可视化和敏感性分析仔细分析了所提出的贡献的工作机制。我们的完整流程在 Human3.6M 和 MPI-INF-3DHP 上分别提高了 11.8％和 12％，并在普通图形卡上以 30 FPS 运行。

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

本研究提出了一种粗到细的流程来解决从单眼 RGB 图像中估计多人物 3D 姿态和形状网格的问题，并且通过 Transformer-based refinement 和克服因人与人之间的遮挡而引入的不确定性，优于现有技术，在 3DPW，MuPoTS 和 AGORA 数据集上进行广泛实验得出了实验证明。

Oct, 2022

本文提出了一种使用不透明的三维肢体表示的新方法，该方法在保留遮挡信息的同时，隐含地编码关节位置，从而实现对抽象合成图像的训练，并允许预测完全独立于相机视角的姿势，从而在相同和不同数据集基准测试中取得了显著提升。

Jul, 2023