本文提出了一种基于多模式混合密度网络的方法，可以从2D关节生成多个可行的3D人体姿势假设。实验表明，我们的方法具有先进的性能，并且可以用于针对2D-3D反问题的多解决方案。

Apr, 2019

研究单视图和部分遮挡视图下获取人体的密集三维重建问题，建议通过合适的三维模型参数化人体形状和姿势，学习一种多假设神经网络回归器，约束每个假设位于合理人体姿势的流形上，并且在标准3D人体基准和重度遮挡版本中，该方法表现出优异的处理模糊姿态恢复的性能。

Nov, 2020

提出了一种名为Multi-Instance Pose Network (MIPNet)的人体姿势估计模型，能够在给定边框范围内预测多个2D姿态实例，并引入了一种称为多实例调制块（Multi-Instance Modulation Block，MIMB）的方法来适应性地调制每个实例的通道特征响应，与以往方法相比，在复杂场景中取得了显著的性能提升。

Jan, 2021

本研究提出一种基于transformer的算法，能够在视频中实现3D人体姿态估计，通过对空间和时间进行变换，对每一帧中人体关节关系进行建模，并在中心帧上输出准确的3D人体姿态，该算法在Human3.6M和MPI-INF-3DHP数据集上实现了最先进的成果。

Mar, 2021

本研究提出了一种名为PoseFormerV2的新型人体姿态估计方法，借助于在频域上紧凑的骨骼序列表示，以有效地扩大接受域并增强对噪声干扰的鲁棒性，进行时域和频域特征有效融合，相较于原始的PoseFormer和其他基于transformer的变体有更好的速度-准确性平衡。

Mar, 2023

本文提出了ConvFormer：一种新型的卷积变压器，新增了一种动态的多头卷积自注意机制用于单目3D人体姿势估计。通过对人体各关节点之间的关系进行建模，利用时间关节特征的新概念进行完全的时间信息融合，成功地在三个基准数据集上实现了SOTA水平的结果，相对于以前的变压器模型取得了显著的参数降低。

Apr, 2023

通过使用多视角数据对单目人体姿态估计模型进行微调，引入新的一致性损失函数，提升性能，从而实现对特定应用定制模型的实用和经济有效解决方案。

Nov, 2023

单目三维人体姿态估计是一个具有固有歧义的任务，我们提出了ManiPose，一种新颖的多假设模型，通过在人体姿势流形内约束模型，提供多组候选三维姿势，并达到更强一致性，从而超越现有的姿势一致性性能。

Dec, 2023

我们提出了一种基于扩散的优化框架DRPose来改进确定性模型的性能，并借助多噪声的多步骤优化和多假设预测，实现了适用于当前姿势基准的更合适的多假设预测。

Jan, 2024

我们引入了CHAMP，这是一种新颖的方法，通过利用具有扩散模型的条件分布，从2D关键点学习序列到序列、多假设的3D人体姿势。我们生成和聚合多个3D姿势假设，通过在训练期间为这些假设打分的方法，有效地将符合预测集成到学习过程中，从而达到更好的聚合结果。此过程产生了一个可微的符合预测器，与3D姿势估计器一起进行end2end训练。训练后，学习到的打分模型被用作一致性得分，将3D姿势估计器与一致性预测器结合起来，选择最准确的假设进行下游聚合。我们的结果表明，在一致性预测-过滤的假设集上进行简单的平均聚合产生了竞争性的结果。当与更复杂的聚合技术集成时，我们的方法在各种度量和数据集上实现了最先进的性能，并继承了一致性预测的概率保证。

May, 2024