本论文提出了一种基于自监督学习的方法，仅仅通过一组彩色图像就能够学习到一个关节物体类的几何、外表和动作的表示，从而实现这些语义维度的独立控制，该方法不需要形态学的注释，相对于现有的采用 3D 直接监督的各种方法，使用本方法只需 2D 观测即可恢复更精准的几何和外观，并且具有少样本重建、新关节生成和新视角综合生成等众多应用。

May, 2022

本文提出了一种新的运动表示方法，能够自动分离物体中的不同部分，并追踪它们的运动，从而可以更好地进行动画制作。该方法基于完全无监督的学习，提取出有意义且一致的区域表示物体的位置、形状和姿态，适用于各种物体，并且性能超过现有的方法。

Apr, 2021

该论文介绍了一种通过捕捉物体的深度图像来获取其运动学模型的方法，以便于机器人能够独立使用这些物体，这种方法不需要先前的物体模型，并使用了稀疏（无标记）特征跟踪、运动分割、组件姿态估计和运动学习等技术。

Feb, 2015

通过使用一种新的能量最小化框架，从点云视频中识别出由任意数量部分组成的任意日用物品的不同部分，这与其他先前的研究相比，我们的方法在各种度量方面表现更好，并能使模型重新定位到新的姿势上。

Jun, 2023

通过神经网络模型，本研究提出一种新的框架来明确分解关节物体的部分运动，通过预测部分表面上的点的转换矩阵，使用空间连续的神经隐式表示来平滑地建模部分运动，在对不同类别的关节物体进行实验的数量化和质量化结果证明了我们的方法的有效性。

Nov, 2023

通过使用第一次观测的隐式模型学习对象的几何和外观部分，并通过渲染第二次观测来蒸馏部分分割和关节运动，我们提出了一种新的无监督方法来学习刚性部分组成的关节对象的姿势和部分分割。此外，为了解决部分分割和关节运动的联合优化中的复杂性，我们提出了基于体素网格的初始化策略和解耦优化过程。与先前的无监督方法相比，我们的模型性能显著提高，且适用于具有多个部分的对象，且对后续观测可以高效地进行少数视图的操作。

Jun, 2024

利用物理约束为我们建立的隐式表示提供了规范项，通过迭代估计隐式和显性表示，我们证明了我们的方法在标准视频数据集上优于现有技术。

Jan, 2024

Neural Marionette 是一种无监督学习方法，可以从动态序列中发现骨架结构，学会生成与观察到的运动动态一致的多样化运动，无需先验知识，可泛化到多模态序列生成、两个姿势的插值和运动重新定向。

Feb, 2022

本文提出了一种基于稀疏表面标记预测人体运动的方法，通过 MOJO 模型生成高频成分的动画，使用 SMPL-X 模型保证解决方案符合身体的真实形态，并取得了最先进的结果。

Dec, 2020

采用基于视觉的系统和神经网络，我们提出了一种使用密集的向量场来预测各种关节物体的潜在运动的方法，并在此基础上展开手部的运动规划用于操纵各种对象，实验结果表明该系统在模拟和现实世界中均取得了最优良好的表现。

May, 2022