本文提出改进的基于 Transformer 的 Strided Transformer 架构，以简单有效地将冗余的 2D 姿势序列提升到单个 3D 姿势。通过给 Vanilla Transformer 编码器换成步幅卷积的方式，降低了序列的冗余性，同时设计了全 - 单监督方案来约束输出，从而在两个基准数据集上获得了最佳结果并减少了参数。

Mar, 2021

我们提出了一个多阶段的 3D 序列到序列人体姿势检测框架，利用变压器的自注意力机制从多视角视频数据中捕捉空间 - 时间相关性，实验结果表明我们的方法在 Human3.6M 数据集上表现出色。

Jan, 2024

本研究通过复制现有的最先进（SOTA）时空转换器模型，以尽可能符合计算限制，并批判性评估现有模型架构的优势和改进机会，以解决实时推理速度挑战，并在空间 - 时间 (ST) 关注层中引入专家混合 (MoE) 块来提高模型容量和降低推理成本。

May, 2024

本文提出了 MotionMixer，这是一种高效的三维人体姿势预测模型，完全基于多层感知器。通过顺序混合两种模态，MotionMixer 学习了空间 - 时间三维身体姿势之间的依赖关系。通过使用 squeeze-and-excitation (SE) 块来校准姿势序列中每个时间步的影响，我们在 Human3.6M、AMASS 和 3DPW 数据集上使用标准评估协议评估了我们的方法，并展示了最先进的性能。

Jul, 2022

本文介绍了一种新颖的预训练空间时间多对一模型 (P-STMO)，用于 2D 到 3D 人体姿势估计任务。在第一阶段中，提出了一种自监督预训练子任务，称为遮盖姿态建模，以减少捕捉空间和时间信息的难度。在第二阶段中，加载预先训练的编码器到 STMO 模型进行微调。我们的方法在两个基准测试中表现出优于现有技术的性能。

Mar, 2022

提出了一种基于多级注意力编码器 - 解码器网络（MAED）的 3D 人形状和姿势估计方法，其中包括空间 - 时间编码器（STE）和运动学拓扑解码器（KTD），并考虑了多级注意力，从而优于现有方法。

Sep, 2021

提出了一种名为 Fusionformer 的方法用于 3D 人体姿态估计任务，通过引入自身轨迹模块、互相轨迹模块和全局空间时间特征以及局部关节轨迹特征的融合，最终通过姿势精炼网络来平衡 3D 投影的一致性，并在两个基准数据集上进行评估，结果表明与基线方法 poseformer 相比，在 Human3.6M 数据集上分别提高了 2.4％的 MPJPE 和 4.3％的 P-MPJPE。

Oct, 2022

本研究提出了一种新的端到端的多人三维姿势和形状估计框架，称为 PSVT，其中使用逐步视频变换器和姿势引导注意力来捕获全局时空上下文，进一步提高了性能。

Mar, 2023

本文提出一种新颖的基于 Transformer 的架构，用于生成 3D 人体运动的模型。该模型能够学习高维度骨骼关节的嵌入，通过解耦的时间和空间自注意机制使得生成的姿态在时间上是连贯的。实验结果表明该模型能够准确地生成短期预测并在长期时间跨度内生成合理的运动序列。

Apr, 2020

本文提出了一种基于 LSTM 网络，使用时间信息提高 2D 关节点坐标序列估算 3D 姿势的鲁棒性和一致性，实验在 Human3.6M 上提高了 12.2% 的精度。

Nov, 2017