本文提出了一种从稠密对应的人体部位进行学习的方法，通过构建 2D 像素与 3D 顶点之间的桥梁，提出了解决非线性、位移等问题的 Decompose-and-Aggregate 网络（DaNet），并给出了一种利用空间关系的位置辅助旋转特征细化策略来提高鲁棒性的姿态预测策略，发现该方法显著提高了重建性能。

Dec, 2019

通过在类人动物中的浓密姿态识别模型和对象检测器和场景分割器中的知识转移，以及使用多头的 R-CNN 体系结构和自校准不确定性头来训练新的动物类别的模型，实现了在其他类别中的浓密姿态识别，特别是在黑猩猩类中表现优异。

Feb, 2020

本文提出了一种更加高效的 DensePose 数据采集策略，即在视频帧中收集标记，并利用视频的动态传播地面真实注释，该方法可以通过提取视频中的运动线索来提高姿态估计结果。

Jun, 2019

本篇论文提出 SyntheticP3D 数据集和 CC3D 方法，结合这两种方法可以实现在只用 10% 的真实数据的情况下，与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果，在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。

May, 2023

使用视频自监督和模板形变技术来实现单目 3D 重建并且进行数值优化，以便使计算得出的模型更加准确和具有解释性。

Mar, 2021

我们提出了一种完全通用的深度姿态估计方法，通过动态条件姿态估计和目标物体的 3D 模型表示相结合，能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的 3D 对象。

Jun, 2019

我们提出了一种从单目视频中构建可动画的狗头像的方法，通过解决动物的姿态变化和外观问题，提高了基于模板的形状拟合的质量。我们的方法在 CoP3D 和 APTv2 数据集上展示了优异的结果。

Mar, 2024

本工作提出了一个实际问题设置来估计动物（如马）的 3D 姿态和形状，该问题仅提供了几张（10-30）野外图像作为输入。利用 LASSIE 优化框架，发现 3D 部件并利用自我监督的深度特征强制实施 2D-3D 部件一致性，实验结果表明相比于过去的方法，本文提出的方法在 3D 重建和 3D 部分发现方面表现更好。

Jul, 2022

本文提出了一种针对复杂的人体部位像素回归问题的领域自适应技术，利用精选混合域样本构成的训练批次、深度批量规范化残差网络和多任务学习目标来缓解跨域间协变量漂移，实现了对 2.5D DensePose 估计和 3D 人体表面法线估计任务的实际到仿真转移，并在多人 DensePose MSCOCO 基准测试中超越了基于真实图像的 State-of-the-art 方法，从而提出了一种互补于现有领域自适应技术的方法，可以应用于其他密集像素姿态估计问题。

Jul, 2020

提出了 Animal3D 数据集，为哺乳动物的 3D 姿态和形状估计提供了全面的数据集，实验证明跨物种的动物 3D 形状和姿态的预测仍然是一项非常具有挑战性的任务，合成预训练是提高模型性能的一种可行策略。

Aug, 2023