SparsePoser 是一种深度学习为基础的解决方案，用于从一组减少的六个跟踪设备中重建全身姿势。该方法在公开可用的动作捕捉数据集上进行了广泛评估，并通过实时演示显示了优于使用 IMU 传感器或 6 自由度跟踪设备的最先进技术，可适用于具有不同身体尺寸和比例的用户。

Nov, 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

使用 HMD-Poser 方法实现了基于 VR 头戴式显示器的人体实时运动追踪，通过 HMD 和穿戴式 IMUs 之间的观察数据，提高了追踪精确度和易于佩戴性。通过实验表明，HMD-Poser 在精确度和实时性方面达到了最新的最佳效果，并通过实时的 Avatar-driving 应用程序证明了其性能。

Mar, 2024

提出了一个两阶段的框架，仅利用头部和手部的追踪信号可以获取准确而平滑的全身动作，通过学习大规模动作数据解决实时身体追踪的问题，并通过关节级特征建模和损失函数设计提高精确度和平滑度。在 AMASS 运动数据集和真实捕获数据上的广泛实验验证了设计的有效性，并表明相比现有方法，我们的提出的方法可以实现更准确和平滑的运动。

Aug, 2023

通过预测用户整体运动的潜在表征并将其与跟踪传感器输入集成，提出了一种利用神经运动先验信息以提高用户运动重建准确性的方法，该方法通过有限的输入信号重建用户的全身姿势，尤其增强了从贫乏信号中重建下半身运动的强健性。

Aug, 2023

该研究探讨了虚拟现实应用中自身角色的动作信息与重建误差之间的关系，并发现方法对降解的敏感度尤其体现在动作重建速度误差。

Apr, 2024

本研究提出了一种利用强化学习、物理模拟器和稀疏传感器数据实时将人类运动重定向到具有不同骨架结构的角色的方法，并仅需要运用运动捕捉数据进行培训，同时探讨了该框架中的重要组件。

Jul, 2023

SimXR 是一种从 AR/VR 头显获取的信息（头显姿态和摄像头）控制模拟化身的方法，通过分析输入图像决定人体运动并与头显姿态协同作用，从而实现手部和脚部的精细动作，同时利用物理定律生成合理的运动。

Mar, 2024

基于深度学习框架的 DivaTrack 能够通过增加稀疏三点输入与输入的线性加速度来改善脚接触预测，利用两阶段模型将不明确的下半身姿势与脚接触和上半身姿势的预测相结合，通过在不同类型运动的两个参考坐标系中学习预测进行平滑，能够在真实时间内精确追踪用户在多种动作中的运动。

Feb, 2024

针对在协作和交流中需要产生逼真可信的虚拟人物角色，本文提出了一种基于流的 3D 人体生成模型，通过学习 3D 人体姿势的条件分布和从观察到的数据到潜在空间的概率映射，生成能够确定关节不确定度的虚拟角色动作，证明了该方法不仅是一个强大的预测模型，还可以在各种优化环境中充当一个高效的姿势先验。

Mar, 2022