DOPE 是第一种能够在复杂场景中检测和估计整体身体、手和面部 3D 姿势的方法，它利用独立的专家和蒸馏过程来训练整体姿势检测的单个深度神经网络，并在保持接近专家效果的同时实现了比大师集合更快的实时处理速度。

Aug, 2020

本文介绍了 COCO-WholeBody 数据集和 ZoomNet 网络模型，通过使用这些技术，能够更准确地进行人体姿态估计。

Jul, 2020

本研究提出了一种新的单一神经网络方法，用于 2D 全身姿势估计，并可同时定位身体、面部、手和足关键点。该方法采用一种底部上的公式，使其在图像中的人数不论多少，都能保持恒定的实时性能。神经网络采用多任务学习，经过改进的结构可以处理身体 / 脚和面部 / 手关键点之间的尺度差异。这种方法在速度和全球精度方面都显著优于 OpenPose，并且不像 OpenPose 那样需要为每个手和面候选者运行额外的网络，因此在多人场景中速度更快。本文的研究结果进一步降低了需要 2D 全身信息的应用程序（例如 VR / AR，重新定位）的计算复杂性，而且在面部和手部模糊、低分辨率等情况下，准确率更高。

Sep, 2019

本文提出了一种新型的在线知识蒸馏方法 OKDHP，通过多分支网络和特征聚合单元以及像素级 Kullback-Leibler 散度来保证人体姿态估计的效率和准确性。实验结果表明，该方法在 MPII 和 COCO 数据集上表现良好。

Aug, 2021

本研究提出一种新的姿势模型学习策略，即快速姿势蒸馏（Fast Pose Distillation，FPD），旨在提高人体姿势估计模型的效率和可扩展性，并通过将强教师网络的姿势结构知识有效地转移给轻型姿势神经网络体系结构来实现，并在两个标准基准数据集 MPII 和 Leeds Sports Pose 中广泛评估，证明了 FPD 方法在模型节约成本方面优于广泛的最新姿势估计方法。

Nov, 2018

通过多教师知识蒸馏与统一的骨骼表示相结合，我们提出了一种新颖的方法来解决姿态估计中不一致的骨骼注释所带来的挑战，同时提升了模型在不同数据集上的适应性，实现了更准确的康复 7 个主要关键点和 21 个扩展关键点的预测。

May, 2024

通过改进下联式方法，提出了一种改进的多人姿势估计方法，该方法使用更直观却更合理的表示方法，具有 attention 机制的改进型叠叠层沙漏网络，专门用于 hard keypoint 和 keypoint 关联挖掘的新型 Focal L2 Loss 和用于将检测到的关键点分组为单个姿势的强大贪婪关键点分配算法，平均精度比基准线高约 15％，与 MS-COCO 测试数据集上的最新技术相当。

Nov, 2019

提出了一种基于 DKD 模型的人体姿势估计方法，通过利用时间线索进行姿势核的在线蒸馏和通过简单的卷积计算实现当前帧和姿势核之间的匹配，从而实现对小网络姿态估计的显著提升。

Aug, 2019

本文介绍了一个实时运行的系统 AlphaPose，它可以同时执行准确的全身姿势估计和跟踪。我们使用了几种新技术，包括对称积分关键点回归（SIKR）用于快速和精确的定位，参数化姿势非最大抑制（P-NMS）用于消除冗余的人体检测和姿势感知身份嵌入，用于联合姿势估计和跟踪。我们的方法能够准确地定位全身关键点并同时跟踪人，可以显著提高 COCO-wholebody，COCO，PoseTrack 和我们提出的 Halpe-FullBody 姿势估计数据集的速度和准确性。

Nov, 2022

本文提出了一种新的人体姿态估计框架 DistilPose，它通过 Token-distilling Encoder 和 Simulated Heatmaps 将基于 heatmap 的和基于回归的方法结合起来，在保持有效性的同时显著提高了回归模型的性能。

Mar, 2023