本篇论文提出了 Skeleton-Graph 模型，采用深度时空图卷积神经网络来预测 2D 姿态下未来的 3D 骨架姿态，通过图形式地建立骨骼关节之间的空间关系以解决长期姿态预测过程中的分歧问题，并引入了新的评估指标来衡量长期预测分歧程度，实验证明 Skeleton-Graph 模型在 GTA-IM 和 PROX 数据集上均比之前的模型取得了更好的预测效果。

Sep, 2021

本文提出了一种基于图神经网络 (GNN) 的在线学习姿态动态的新方法，通过纳入时空和视觉信息，匹配历史姿态 tracklets 并直接预测下一帧的目标姿态，通过综合检测到的姿态和预测，实现多人姿态估计和跟踪。实验结果表明，该方法在人体姿态估计和跟踪任务上具有优异的性能。

Jun, 2021

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

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

本文提出了基于 3D 热力图堆叠的 PoseC3D 方法，相较于基于图卷积网络的方法，能够更有效地学习时空特征、更具鲁棒性，并且适用于多人场景，同时在处理过程中也更加易于与其它视觉模态进行结合。在四个具有挑战性的数据集中，PoseC3D 方法均取得了卓越表现。

Apr, 2021

通过将前向运动学与神经网络相结合，本研究提出了一种快速有效的方法，将图像中的二维关键点提升到三维骨架，预测关节旋转和骨长，并利用神经网络中的 FK 层与骨骼约束相结合，实现了对三维骨骼姿势的快速准确估计。在定量和定性评估中，我们证明了该方法在关节位置误差和视觉外观方面都比 MediaPipe 更准确，并且能够在不同数据集上进行泛化。基于 PyTorch 的实现仅使用 CPU，每张图像处理时间为 100-200 毫秒（包括 CNN 检测）。

Aug, 2023

本文通过提出一种新的方法，在人体姿势估计中实现了更好的 3D 姿势估计精度，通过使用单目图像序列并利用深度全卷积网络预测 2D 关节位置的不确定性图，并使用期望最大化算法进行 3D 姿势估计。

Nov, 2015

本文提出一种基于有向图模型的 U 型结构的条件有向图卷积网络，用于从单目视频中进行 3D 人体姿势估计，实验结果表明有向图模型可以更好地利用人体骨骼的层次结构，而条件连接可以为不同的姿态产生自适应的图拓扑。

Jul, 2021

通过使用全局本地自适应图卷积网络 (GLA-GCN) 并利用地面实况数据，作者针对 3D 人体姿势估计中的姿势抬升问题提出了一种简单而有效的模型设计，实验证明该设计在三个基准数据集上表现出了明显的优于现有方法的效果。

Jul, 2023

本文提出了一种新的图卷积神经网络架构，用于 2D 到 3D 人体姿态估计任务，并使用多尺度、多级别特征表示的多尺度架构进行了实验，结果表明该模型优于现有技术，并取得了更好的表现。

Mar, 2021