时空MLP图网络用于3D人体姿势估计
借助多尺度空间特征和多步幅时间卷积网络，在设计A的基础上，B通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性，并利用2D视频数据注入半监督学习能力。实验证实了该方法的有效性，并且消融研究表明我们网络的单个子模块的优势。
Apr, 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
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
提出了一种简单有效的图强化MLP-Like架构，名为GraphMLP，它将MLP和图卷积网络（GCN）结合在一起，用于3D人体姿态估计，并将人体的图结构融入到MLP模型中，允许局部和全局空间相互作用，实现了对视频和单帧中3D人体姿态估计的最新性能。
Jun, 2022
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
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
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
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
该研究提出了一种融合基于体形结构图的表示和时空信息的时空图神经网络建模框架，以解决视频中三维人体姿势估计中深度模糊所带来的挑战。通过引入融合图信息的注意力机制以及在参数使用和特征学习方面的优化处理，该方法在Human3.6M和MPI-INF-3DHP数据集上实现了领先水平的三维人体姿势估计性能。
Jul, 2024