本研究提出了一种基于事件相机的两阶段深度学习方法 EventHPE，用于从事件信号中估计 3D 人体姿态和形状，其中第一阶段 FlowNet 通过非监督学习推断光流，而 ShapeNet 通过最大化流一致性从事件信号和光流估计 3D 人体形状，并在内部构建了一个 3D 人体数据集进行实证评估。

Aug, 2021

提出了一种分层舞蹈视频识别框架 (HDVR)，它通过估计 2D 姿势序列，跟踪舞者，并同时估计相应的 3D 姿势和 3D 到 2D 成像参数来提取舞蹈的层次结构。我们在多人跟踪和通过 LSTM 网络识别舞蹈类型方面优于现有的 3D 姿势估计方法。

Sep, 2021

本文提出了一种新的基于事件的方法，用于 3D 姿态估计和人体网格恢复，通过移动事件相机，通过衰减光线雕刻 3D 体素，重建人体姿态和网格，并拟合统计身体模型，实验结果表明该方法在姿态和身体网格估计精度方面优于传统基于帧的方法。

Apr, 2024

使用 RGB 图像进行三维人体形状和姿势估计是一个具有挑战性的问题，具有增强 / 虚拟现实、医疗保健和健身技术以及虚拟零售等潜在应用。本研究调查了并比较了当代舞蹈和表演艺术领域中的三维人体形状和姿势估计方法，重点关注人体姿势和着装、摄像机视角、光照条件和背景条件。我们证明了当舞者进行当代舞蹈表演时，多帧方法（如 PHALP）比单帧方法更能提供更好的姿势估计结果。

Jan, 2024

本文介绍了基于深度学习的 2D 和 3D 人体姿态估计的综述，系统分析和比较了这些解决方案，对研究的挑战，应用和未来方向进行了讨论，包括 250 多篇研究论文以及姿态估计数据集和评估指标的定量表现比较和讨论。

Dec, 2020

通过引入两种三维事件表示方法（RasEPC 和 DEV），结合一个用于训练的合成事件数据集（EV-3DPW），本研究在人体姿势估计中取得了显著的性能提升，克服了传统图像和事件帧技术的局限性。

Nov, 2023

本文提出了使用事件相机和基于 CNN 的姿态检测方法的 EventCap 方法，结合了基于模型的优化以及深度网络检测处理，以捕获高速运动细节和减少跟踪漂移。实验结果表明，该方法具有高效准确的优点，并且对于具有挑战性的照明条件具有较强的鲁棒性。

Aug, 2019

本文使用单个事件相机首次解决了从单目视频中估计 3D 手势姿态的问题，提出了一种新的神经方法，可在 1000Hz 的实时性能下具有高时间分辨率和低数据吞吐量等特征，并且在新生成的合成事件流上进行训练和泛化，该方法在准确性和捕捉前所未有的手部运动速度方面优于使用彩色（或深度）相机的最近单眼方法。

Dec, 2020

使用单眼自我中心 3D 人体动作捕捉问题，该文介绍了基于事件相机和鱼眼镜头的 3D 人体动作捕捉方法，并开发了 EE3D 框架，具有高 3D 重建准确度和实时 3D 姿势更新速率。

Apr, 2024

研究使用单个 RGB 图像预测人体动态，提出了 3D Pose Forecasting Network (3D-PFNet)，结合 2D 预测和 3D 空间，在多样化的数据源下进行了三步训练，展示了在 2D 姿势预测和 3D 姿势恢复上有竞争力的性能结果。

Apr, 2017