提出了一种新的神经网络训练框架，可以在只有 2D 注释的情况下学习非刚性物体的 3D 信息，该框架通过自动确定适当的旋转解决了非刚性结构运动估计中同时估计旋转和变形的难点，使用损失函数进行训练后，网络可以学习人类骨架和面孔等对象的 3D 结构，在测试过程中可以处理带有丢失入口的输入，实验证明该框架表现优异，即使底层网络结构非常简单，在 Human 3.6M、300-VW 和 SURREAL 数据集上均优于现有最先进的方法。

Jul, 2020

本文提出了一种基于深度神经网络的非刚性运动结构恢复方法，该方法在订单级别上表现出比所有现有技术更出色的精度和鲁棒性，能够处理规模和形状复杂度前所未有的问题，并提出了一种基于网络权重的质量度量来评估重建可信度。

Jul, 2019

本文提出了一种基于深度神经网络和稀疏编码模型的新型非刚性运动结构重建方法，通过模型区分位姿和三维结构，解决了先前算法在图片数量和形状可变性方面的局限性，在视觉领域的应用得到了显著的提升。

Jul, 2019

本文提出了一种基于形状重复性的非刚性运动结构恢复算法，利用了形状重复性是一种广义刚性的特性，因此将非刚性结构恢复问题降维到了刚性结构恢复问题上，并发展了有效的算法以及摄像机视角聚类方法，实验结果表明该方法非常有效。

Apr, 2018

MHR-Net 是一种用于从多个 2D 视角中恢复非刚性物体形状的新方法，它使用确定性基础和随机变形模型来生成多个假设并从中选择最佳重建结果，经过实验证明在 Human3.6M，SURREAL 和 300-VW 数据集上其重建性能优于其他方法。

Jul, 2022

从时空建模的角度解决非刚性结构从动（NRSfM）中的关键挑战，包括运动 / 旋转的歧义、基于全局形状的低秩模型对 3D 形状序列的变形处理问题。通过引入新的临时平滑的 Procrustean 对齐模块和自适应的空间加权方法，提出了一种更好的非刚性结构建模方法，模型效果超过现有的以低秩为基础的方法。

May, 2024

该论文提出了一种新的方法，使用 Grassmannian 和低秩表示来恢复非刚性物体的不断变形的 3D 结构。该方法相对于以前的方法具有更高的准确性，可扩展性和鲁棒性，并且在标准基准数据集上取得了领先的性能。

Jun, 2020

本文提出了一种新的人体姿势变形建模方法，并设计了一种基于扩散的运动先验。通过非刚性运动结构重建 3D 人体骨骼的任务分为估计 3D 参考骨架和逐帧骨架变形。同时使用混合时空 NRSfMformer 从 2D 观察序列中估计每一帧的 3D 参考骨架和骨架变形，并将它们相加得到每一帧的姿势。最后，使用基于扩散模型的损失项确保管道学习正确的先验运动知识。最终，在主流数据集上评估了提出的方法，并获得了优于现有技术的结果。

Aug, 2023

本文提出了一种新颖的方法 ——Residual Steps Network（RSN）。RSN 能够有效地聚合相同空间大小的特征（Intra-level features）以获取精细的局部表示，从而保留丰富的低级空间信息，并导致精确的关键点定位。此外，作者在输出特征方面观察到不同的特征会对最终性能产生不同的贡献。为了解决这个问题，作者提出了一种有效的注意机制 —— 姿态细化机器（Pose Refine Machine，PRM），在输出特征中在局部和全局表示之间做出权衡并进一步改进了关键点位置。该方法在 COCO Keypoint Challenge 2019 中获得了第一名，并在 COCO 和 MPII 基准测试中取得了最先进的结果，而不使用额外的训练数据和预训练模型。我们单个模型在 COCO 测试版中获得了 78.6 的分数，在 MPII 测试数据集上获得了 93.0 的分数。集成模型在 COCO 测试版中获得了 79.2 的分数，在 COCO 测试挑战数据集上获得了 77.1 的分数。源代码可以在此网址进行查看。

Mar, 2020

提出了一种基于非刚性运动结构，通过提取形状先验知识并结合稠密 NRSfM 技术进行顺序表面恢复的动态形状先验重建 (DSPR) 方法，具有较高的准确性和鲁棒性以及对形状压缩的应用潜力。

Sep, 2019