本文提出了一种高效利用视频序列中连续帧运动信息来恢复人的三维姿态的方法，并通过回归边界框的时空体到中心帧的3D姿势来改进现有方法。同时，为了最大限度地发挥这种方法的潜力，本文阐明必须补偿连续帧中的运动，以使被测量者保持中心，从而能够有效地消除歧义并在Human3.6m、HumanEva和KTH Multiview Football 3D人体姿态估计基准测试中取得显著改进。

Nov, 2015

本文提出使用多视角图像而无需注释，来学习一个具有几何感知能力的身体表示，通过使用该身体表示，我们的方法在仅使用少量标记数据的情况下，显著优于完全监督的方法，并且在使用仅 1% 标记数据时，也优于其他半监督方法。

Apr, 2018

通过采用无监督学习技术，基于来自单个图像的2D骨架关节，我们提出了一种恢复3D人体姿势的方法，该方法不需要任何多视图图像数据、3D骨架、2D-3D点之间的对应关系或在训练过程中使用先前学习的3D先验知识。我们的方法采用一个lifting网络将2D关键点作为输入，并生成相应的3D骨架估计，其中我们通过在随机相机视点重投影修复后的3D骨架来产生新的“合成”2D姿态。我们还训练了一个2D域适配器网络来扩展2D数据，并通过自适应正则化机制使域适应效果更好。最终，在Human3.6M数据集上，我们的方法对无监督三维lifting的改进达到了30％，并且优于许多明确使用3D数据的弱监督方法。

Apr, 2019

提出使用神经网络框架PoseNet3D将二维关节作为输入，输出三维骨架和SMPL体模型参数，通过在学生-教师框架下的学习方法，无需使用任何3D数据进行训练，结果表明与之前的无监督方法相比，该方法将3D关节预测误差降低了18％。

Mar, 2020

MotioNet是一种用于从单眼视频中重建 3D 人体骨骼运动的深度神经网络，通过嵌入运动先验信息的深度神经网络将 2D 关节位置序列分解为对称骨骼和与全局根位置和足接触标签相关联的 3D 关节旋转序列，并在 3D 位置上应用正向运动学，使用敌对损失确保恢复的旋转速度处于自然关节旋转曲面上的关键优势使其能够直接从训练数据中学习到自然的关节旋转。

Jun, 2020

本文提出了一种采用运动学结构保持无监督学习的 3D 人体姿势估计框架，可以避免使用任何弱监督模型，并通过能量损失和运动学先验知识来训练模型，提高对新环境下的准确性和泛化能力。

Jun, 2020

提出了一种新的神经网络训练框架，可以在只有2D注释的情况下学习非刚性物体的3D信息，该框架通过自动确定适当的旋转解决了非刚性结构运动估计中同时估计旋转和变形的难点，使用损失函数进行训练后，网络可以学习人类骨架和面孔等对象的3D结构，在测试过程中可以处理带有丢失入口的输入，实验证明该框架表现优异，即使底层网络结构非常简单，在Human 3.6M、300-VW和SURREAL数据集上均优于现有最先进的方法。

Jul, 2020

提出一种基于Transformer的模型，使用三种独立的tokens学习人体的3D关节旋转，身体形状和位置信息，进而估算SMPL参数，从而解决单目图像或视频中3D人体姿态和形状估计的困难问题，并具有较好性能。

Mar, 2023

本文提出一种基于transformer的EvoPose模型，通过结构先验表示（SPR）模块和递归细化（RR）模块有效引入人体先验知识，从而提高了3D人体姿态估计的精度，实验结果在Human3.6M和MPI-INF-3DHP上达到了新的最佳表现。

Jun, 2023

提出了一种具有层次空间和时间降噪器的解开扩散式的三维人体姿势估计方法，该方法通过在扩散模型的正向过程中解开姿势并扩散骨长和骨方向，以有效建模人体姿势先验。在反向过程中，通过使用层次相关的空间转换器和层次相关的时间转换器来改进每个关节的层次建模，并探索关节之间的层次化时间相关性。

Mar, 2024