提出了一种新的框架，将图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）相结合，以强韧地估计无需摄像机参数即可实现相机中心多人 3D 姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息，并结合使用 GCNs 和 TCNs 的方法。定量和定性评估表明，所提出的方法具有实际应用效果。

Dec, 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

研究提出了一种基于图卷积网络的新颖的空时可分图卷积网络 (STS-GCN)，它可以在一个单一的图框架内，完全捕捉动态演化和空间关节交互，并使用内部学习的空间和时间的关联矩阵，优于当前技术，在长期预测方面取得了超过 32% 的平均性能提升，在三种大型数据集上进行了实验验证，并且只需要 1.7％的参数。

Oct, 2021

本文提出了一种新的神经网络结构 Semantic Graph Convolutional Networks（SemGCN），它能够学习在回归任务中捕捉图形结构数据中的语义信息，特别是局部和全局节点之间的关系，并将其应用于 3D 人体姿势回归，结果表明 SemGCN 仅使用 90％的参数就优于现有技术水平。

Apr, 2019

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

本文介绍了一种名为 Universal Graph Convolution (UniGC) 的新型图卷积概念，该概念重新构建了不同图卷积，并提出了一种动态确定最适合的图卷积的 GCNext 建模范例，通过独特的模块 - 网络设计，GCNext 在计算成本上具有高达 9 倍的降低，并实现了最先进的性能，主要应用于人体动作预测。

Dec, 2023

人体动作预测是自动驾驶和安全应用中仍然存在的重要问题，本文提出了基于上下文的可解释时空图卷积网络 (CIST-GCN) 作为一种有效的基于 GCNs 的三维人体姿势预测模型，通过特定层来增强模型的可解释性和提供有用的运动分布和身体行为信息，通过从姿势序列中提取有意义的信息、汇总位移和加速度到输入模型，并最终预测输出位移。在 Human 3.6M、AMASS、3DPW 和 ExPI 数据集上的广泛实验表明，CIST-GCN 在人体动作预测和鲁棒性方面优于以前的方法。鉴于提高运动预测的可解释性的想法具有一定的优势，我们在这里展示了相关实验证明了该想法，并进行了初步的评估。

Feb, 2024

提出了一种名为 Spatio-Temporal Gating-Adjacency GCN (GAGCN) 的运动预测模型，采用门控网络增强了 GCN 对于多种动作类型的推广能力，并通过平衡空间和时间的交叉依赖关系，融合了模型的特征，实现了对于人体运动预测的短期和长期性能的最先进水平。

Mar, 2022

通过使用全局本地自适应图卷积网络 (GLA-GCN) 并利用地面实况数据，作者针对 3D 人体姿势估计中的姿势抬升问题提出了一种简单而有效的模型设计，实验证明该设计在三个基准数据集上表现出了明显的优于现有方法的效果。

Jul, 2023

本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

Jul, 2023