本文提出了一种基于整数线性规划的方法来解决多人姿态估计的问题，并且在 MPII 人体多人姿态数据集上实现了与最先进方法相当的精度，但速度快了 6,000 到 19,000 倍。

Aug, 2016

本文介绍了一种多人3D姿态估计的快速、鲁棒方法，使用多方式匹配算法来解决在噪声和不完整的2D姿态预测中查找跨视角对应关系的主要挑战，并结合几何和外观提示进行跨视角匹配。

Jan, 2019

本文提出了一种全面的基于学习的、视野距离感知的自顶向下的方法，用于从单个RGB图像中估计多人的3D姿态，并通过人体检测、3D人体根位置定位和相对根姿态估计模块，实现了与最先进单人3D姿态估计模型可相媲美的结果，同时也比公开数据集上之前的3D多人姿态估计方法表现更出色。

Jul, 2019

通过提出的 HG-RCNN 网络，借助 Mask-RCNN 和 Hourglass 结构进行多人 3D 人体姿态估计，实现对每个感兴趣区域（RoI）中 2D 关键点的先预测后提升，最终采用弱透视投影模型和焦距和根偏移的联合优化将估计的 3D 姿态置于相机坐标系下，该网络简单模块化且无需多人 3D 姿态数据集，取得了MuPoTS-3D 数据集的最优性能，并能近似在相机坐标系下估计 3D 姿态。

Sep, 2019

本文提出了一种基于图模型和最大后验估计的多人跨视角估计的方法，旨在解决人体关节匹配和模型鲁棒性的问题，并在四个基准数据集上证明了该方法的有效性和优越性。

Jul, 2020

本文提出了一种新的人体部分聚类方法，即可学习的分层图聚类(HGG)方法，用于底层多人姿态估计任务，并证明该方法可以提高底层姿态估计方法的性能。

Jul, 2020

提出了一种新的框架，将图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）相结合，以强韧地估计无需摄像机参数即可实现相机中心多人3D姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息，并结合使用GCNs和TCNs的方法。定量和定性评估表明，所提出的方法具有实际应用效果。

Dec, 2020

本研究提出一种结合自上而下和自下而上方法的3D多人姿态估计方法，并利用两人姿态鉴别器和半监督方法增强鲁棒性和准确性，实验证明该方法比现有基线模型更有效。

Apr, 2021

本文研究多人姿态估计问题，提出了一种基于多视图系统和深度学习的方法，通过使用图神经网络模型预测场景中不同人之间的视角对应关系，并使用多层感知器模型将2D点转换为每个人的3D姿态。该模型采用自监督学习方式进行训练，从而避免了对大规模3D数据集的依赖。

Dec, 2022

通过将跨视图人物匹配视为一个聚类问题，利用人物匹配获得对应关系，通过多视图三角测量和束调整估计三维人体姿势，本方法在无需相机位置和三维训练数据的情况下，优于其他方法对跨视角人物匹配，在三维人体姿势估计方面达到了目前技术水平，并在不同环境设置的五个数据集上展现了良好的泛化能力。

Dec, 2023