借助底部 VR 设备上安装的鱼眼相机捕捉的单目图像，使用编码器 - 解码器架构和新型多分支解码器，实现了针对自我中心 3D 人体姿势估计的解决方案，并提出了一种大规模的照片逼真的合成数据集 xR-EgoPose。这项工作在合成和实际数据集上与现有算法相比，准确率有大幅提高。

Nov, 2020

本文提出一种新的解决方案，能够从从头戴虚拟现实设备上一部安装了鱼眼镜头的单目图像中，以自我中心的视角估算 3D 人体姿态。该方法使用了一种新的编码器 - 解码器结构，以及一个由两个分支组成的解码器，并通过构建一个大规模的合成数据集进行了实验，取得了显著的性能提升，并在 Human3.6M 基准数据集上取得了与现有最佳方法相当的效果。

Jul, 2019

本研究针对佩戴在头部的下视镜头设备上的自我中心人体姿势估计问题进行了探讨。通过使用传统矩形镜头捕捉图像并采用基于矩阵 Fisher 分布的概率性关节旋转回归方法，该方法解决了硬件设计问题并能够量化姿势的不确定性，同时在此具有挑战性的配置中，获得了最先进的结果。

Jan, 2024

提出了一种基于深度学习的实时方法，利用相机 SLAM 和身体图像，同时计算出头部姿态、身体姿态和前景 / 背景分离，并引入一定的几何一致性限制，用于从佩戴设备的围绕视野中估计身体姿态。

Apr, 2021

通过使用新的基于 transformer 模型的框架，结合场景信息和长时空上下文，利用头戴设备提供的俯视图来更准确地估计包括蹲下和坐下等复杂动作的三维人体姿态，并提出了两个新的用于综合评估现有和即将推出方法的数据集 UnrealEgo2 和 UnrealEgo-RW。

Dec, 2023

EgoGen 是一种新型的合成数据生成器，可以为主观感知任务提供准确且丰富的真实数据。它采用一种创新的人体运动合成模型，通过利用虚拟人的主观视觉输入来感知三维环境，以解决在增强现实中模拟人类运动和行为的挑战。同时结合了避免碰撞的运动基元和两阶段强化学习方法，该模型可实现闭环解决方案，使虚拟人的感知和运动无缝耦合，并可直接适用于动态环境。EgoGen 通过易于使用和可扩展的数据生成流水线，展示了在头戴式摄像机的映射和定位、主观摄像机跟踪以及从主观视角恢复人体网格等三项任务中的有效性。作为一种开源工具，EgoGen 旨在为创建逼真的主观感知训练数据提供实用解决方案，并且可作为主观计算机视觉研究的有用工具。

Jan, 2024

我们提出了一个学习全身神经头像的系统，该系统采用中间路径，同时估计模型表面的显式二维纹理映射，并通过卷积网络将身体特征点的配置与相机相对应，直接映射为图像中单个像素的 2D 纹理坐标。我们展示了这样的系统能够学习生成逼真的渲染，并通过与使用直接图像到图像翻译的系统相比较的值得推崇的泛化性能来展示，保持显式纹理表示对于系统的改善有所帮助。

May, 2019

我们提出了神经头像，该方法能够显式建模动画人物头像的表面几何形状和外观，是虚拟现实和其他电影或游戏应用中数字人物的一种有效表示方法，它能够从单目 RGB 人像视频中学习，能够精确地外推到未知姿态和观察角度，并产生自然的表情和清晰的纹理细节。

Dec, 2021

提出了 EgoHumans 数据集，用于改进以往单人或仅局限于室内的 egocentric human 3D 姿势估计和跟踪算法，利用可穿戴相机配备的眼镜的多视角构建全面的 egocentric multi-human 数据集，并采用多流变压器体系结构和显式 3D 空间推理来估计和跟踪人体姿态。

May, 2023

本文提出了一种名为 EgoPoser 的方法，通过重新思考基于头戴式设备的自我姿态估计的输入表示以及引入一种新的运动分解方法，在不依赖全局位置的情况下预测全身姿态，仅通过头戴式设备的视野内的间歇性手部位置和方向跟踪鲁棒地建模身体姿势，并且针对不同用户的各种身体尺寸进行了泛化。实验证明，EgoPoser 在质量和数量上都胜过了现有的方法，并且推断速度高达每秒超过 600 帧。EgoPoser 为未来的工作奠定了坚实的基础，不再需要依赖外部捕捉并能在大场景环境中扩展全身姿势估计。

Aug, 2023