基于迭代图滤波网络的三维人体姿态估计
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
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
本文提出一种基于有向图模型的U型结构的条件有向图卷积网络，用于从单目视频中进行3D人体姿势估计，实验结果表明有向图模型可以更好地利用人体骨骼的层次结构，而条件连接可以为不同的姿态产生自适应的图拓扑。
Jul, 2021
本文介绍了利用Interweaved Graph and Attention Network技术来进行从单视图图像中进行3D人体姿势估计的方法，结果表明该方法在Human3.6M和MPI-INF-3DHP两个流行的基准数据集上均达到了最先进的表现。
Apr, 2023
本文提出了一种基于高阶正则分裂图网络（RS-Net）的2D-to-3D人体姿态估计方法，通过矩阵分裂和权重调节等方法来捕捉贯穿身体骨骼的长距离依赖，并学习不同的调制向量和调制矩阵来帮助调整图结构，该方法在两个基准数据集上实现了优异的性能。
May, 2023
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
提出了一种新的二维到三维抬升图卷积网络（PoseGraphNet++）用于预测完整的人体姿势，包括关节位置和骨骼方向。通过利用节点和边的卷积，该模型在多个基准数据集上评估，在位置和旋转指标方面的性能与现有方法相当或更好。通过大量的消融研究，证明了PoseGraphNet++从关节和骨骼之间的相互关系中获益。
Aug, 2023
通过结合方向性信息，引入Quater-GCN (Q-GCN)方法来提高3D人体姿势估计性能，并通过半监督训练策略利用无标签数据解决有限方向性的挑战。Q-GCN在与现有方法的综合评估中展现出优秀的性能。
Apr, 2024
介绍了一个用于视频中2D到3D人体姿势估计的多跳图变换网络，通过利用多头自注意力和多跳图卷积网络的优势以捕获时空依赖关系和处理远距离交互，提出了一个模型架构来实现准确的全局和局部依赖关系捕捉以及处理所需的空间细节，实验结果表明其有效性和泛化能力。
May, 2024