本文提出了一种基于图像合成模块和基于梯度的拟合过程相结合的方法，能够通过显式地表示个别物体实例的需求，来隐式地表示整个物体类别的外观、形状和姿态，从而无需每个物体实例都有一个显式的 CAD 模型。该方法包括图像合成台阶、对应误差度量的拟合台阶和对输入参数的反向传播优化台阶，且实验证明该方法可以仅通过 2D 图像就能准确地恢复物体的方向和全姿态。

Aug, 2020

该论文提出了一个统一的框架来处理品类、实例以及部位的姿态追踪问题，其中 9DoF 姿态表示通过 3D 错套边框实现。通过三个模块的组合提高 9DoF 姿态的精度达到了最优，成为了该领域的新的最优实践方法。

Apr, 2021

通过使用 Transformer 基于类别级别的点云进行关节参数估计，本文提出了 CAPT 方法。CAPT 方法利用端到端的 Transformer 架构对单个点云中的关节参数和状态进行估计，能够准确地估计各种关节物体的关节参数和状态，并通过引入动态特征加强了表达关节物体的运动特征的方法提高了关节估计性能。此外，该文介绍了一种双重投票策略，提供了从粗到细的参数估计框架，并通过在多个类别数据集上进行实验证明了我们方法在关节估计方面优于现有方法。我们的研究为在关节物体分析中应用基于 Transformer 架构提供了有希望的解决方案。

Feb, 2024

本文提出了一种基于注意力机制的网络来进行任意物体之间的动作传递，从源图像和驱动视频中提取外观信息并实现不同主体间的动作传递，通过交叉主体训练模型能更多角度、更真实的传递动作，实验表明该方法在各个领域内表现更好。

Jul, 2020

本文介绍了一种使用深度图像实现类别级姿态估计的新方法，该方法基于 Articulation-aware Normalized Coordinate Space Hierarchy（ANCSH）构建了一种针对不同类别中的关节控制物体各个部分的规范表示，并提出了基于 PointNet ++ 的深度网络来预测 ANCSH。实验结果表明，该模型能够实现更好的物体姿态估计和关节参数估计。

Dec, 2019

该研究提出了神经 3D 关节先验（NAP），这是第一个合成 3D 关节物体模型的 3D 深度生成模型，可以通过设计关节树 / 图参数化来生成关节物体，同时使用图 - 注意力去噪网络捕获几何和运动结构的分布，并使用一种新颖的距离度量来评估生成质量。

May, 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

使用隐式物体中心表示法和编码器 / 解码器，提出了一种重建多个关节物体的方法，该方法可以在单个观察中推断多个未知物体的 3D 形状，6D 姿态，类型和状态，并且在虚拟和现实世界中都得到了很好的表现。

Mar, 2023

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

提出一种适用于无监督运动再目标化的递归神经网络架构，并使用前向运动学层和循环一致性的对抗性训练目标来捕捉输入运动的高级特征。

Apr, 2018