现有的图卷积网络在实现人体动作预测时，大多采用一步方案，直接从历史输入中输出预测结果，未能充分利用人体运动模式。我们观察到人体运动具有过渡模式，并且可以分解为代表每个过渡的片段。我们提出了一种片段到运动的多阶段框架，将运动预测分解为更容易完成的子任务。每个子任务集成了三个模块：过渡姿势预测、片段重建和片段到运动的预测。具体而言，我们首先预测只有过渡姿势，然后使用它们重建相应的片段，得到接近真实运动序列的近似结果。最后，我们对其进行细化，生成最终的预测输出。为了实现网络，我们提出了一种新颖的统一图建模方法，相比于现有方法依赖于分离的时空建模，可以直接有效地传播特征。对 Human 3.6M、CMU Mocap 和 3DPW 数据集进行了大量实验证明了我们的方法的有效性，其达到了最先进的性能。

Jul, 2023

本文中提出了一种统一的深度生成网络，用于多样化和可控的人体运动预测，该网络基于正则化流姿势先验和关节角损失函数，能够有效地提高模型的准确性和样本多样性。

Aug, 2021

本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法，该方法结合自然结构和序列注意力，同时捕获空间和时间信息，并在人体运动预测的基准数据集上表现出比现有方法更好的效果。

Apr, 2023

本文提出了一种基于前馈深度网络的预测人体运动的方法，通过在运动轨迹空间而非传统的姿态空间中编码时间信息，同时使用通用的图卷积网络自动学习人体姿势的空间依赖关系，从而实现了超越以往人体运动预测方法的性能。

Aug, 2019

本文提出了一种新的框架来处理机器人导航中预测人类动态的问题，该框架将人类运动（或轨迹）和骨骼姿态预测这两个任务统一起来，并考虑到了场景和社交上下文等多种因素，最终在两个社交数据集上表现优异。

Jul, 2020

本文提出一种新的多尺度残差图卷积网络（MSR-GCN），以端到端的方式进行人体姿态预测，该方法在细到粗的尺度上提取特征，然后在粗到细的尺度上进行特征的组合和解码，通过在所有预测姿势上施加中间监督来强制网络学习更具代表性的特征，实验证明该方法优于现有的最优方法。

Aug, 2021

本文在三个主要方面提出了改进：（1）使用生成对抗网络（GAN）预测 3D 人体动作，（2）设计架构来学习身体姿势和全局动作的联合分布，（3）提出了基于频率分布的两种替代指标来反映长期人类运动的实际分布，结果表明本文方法显著改善了现有技术，同时能够处理受到遮挡、噪声和丢失帧等影响的情况。

Dec, 2018

本文章提出了一种基于序列到序列模型的、名为 HP-GAN 的人体运动预测方法，用于深度神经网络建模和学习算法中的概率估计和合成数据生成任务；该方法利用改进的 Wasserstein GAN 和自定义损失函数进行训练，并进行了多种动作类型和数据集的测试，其预测能力的表现可通过只用 10 帧输入生成超过 30 帧的多个合理预测结果来体现。

Nov, 2017

本文提出了一种基于控制参数的人体运动预测任务形式，使用复合 GAN 结构，包括不同身体部位的局部 GAN 和通过全局 GAN 聚合的，以便进行跨活动类型的可操作运动预测，本方法优于现有的最先进方法。

Mar, 2021

通过提出一种综合人体动作预测任务的方法，使用图卷积网络 (GCN) 来生成合成动作并减少对复杂模型的需求，实现了高准确性的人体动作预测，同时减少计算成本。

Nov, 2023