介绍了一种名为 MVSparse 的合作式多人跟踪框架，它由一个精心设计的管道组成，将基于边缘服务器的模型与在各个摄像头上操作的分布式轻量级强化学习代理相结合，通过选择每个帧内基于历史相机数据和相邻摄像机的检测结果的信息块来显著减少计算负载和通信开销，通过将各个视角的输入投影到共同的地面平面上并应用深度检测模型，MVSparse 在多视角视频中优化地利用了时间和空间冗余；实验证明，与基准方法相比，MVSparse 将整体推理时间加速了 1.88 倍和 1.60 倍，同时仅对跟踪准确性造成了 2.27% 和 3.17% 的轻微损失，展示了其在高效多摄像头跟踪应用中的潜力。

Dec, 2023

一篇研究在自动驾驶汽车中进行弱监督的 3D 人体姿势估计的论文，通过相机和 LiDAR 数据的高级传感器融合实现了简单而高效的方法，通过使用现成的 2D 关节提取器和从 LiDAR 到图像的投影生成虚拟标签进行训练，在弱监督和监督学习设置中均取得了优于现有方法的结果。

Jul, 2023

本文提出了一种基于 Event camera 的 EvHandPose 算法，通过 Event-to-Pose 模块中的新型手势流表示法，以及 Pose-to-IWE 模块中的对比度最大化和边缘限制来解决手部运动信息编码和运动模糊问题，在自我监督框架下设计 EvHandPose，同时还建立了第一个大规模真实世界基础的事件驱动手部姿态数据集，实现了在快速运动和强光等场景下的稳定且精确的手部姿态估计，并实现了 120 fps 或更高的 3D 手部姿态估计。

Mar, 2023

提出了使用动态转换模型的稀疏高分辨率表示来进行人体姿势估计的框架 SHaRPose，并通过实验证明了其优越性能。

Dec, 2023

本文提出了一种在自动驾驶方案中的多模态方法，使用 2D RGB 图像的弱监督进行 3D 人体姿势估计（HPE），进而在 Waymo 开放数据集中取得了比仅基于相机和 LiDAR 的模型更好的效果。

Dec, 2021

综合综述了基于深度学习的视觉人体姿势估计的方法及应用，并就研究中的挑战和趋势进行了讨论，为初学者和高级研究人员提供了有意义的概述和补充材料。

Aug, 2023

从稀疏传感器数据中估计 3D 全身姿势是增强现实和虚拟现实中用于重建真实人体动作的关键技术之一。本文提出了一种基于 Body Pose Graph (BPG) 的新型全身动作重建框架，通过将人体表示为图形缺失节点预测问题来解决稀疏传感器信号到全身动作的转换挑战，在利用时间和空间信息处理了可识别关节点的特征后，通过图神经网络进一步改进 BPG 节点特征，实现了领先于其他基准方法的最先进性能。

Jan, 2024

该研究提出了一种名为 MvP 的多视角姿态变换器，用于从多视角图像中估计多人的三维姿态，该方法可以直接回归多人三维姿态，并使用几种技术来提高准确性，该模型在多项指标上表现优秀。

Nov, 2021

本文提出了 UniHPE，它是一个统一的人体姿势估计流程，通过同一流程中对所有三种模态进行特征对齐，即 2D 人体姿势估计、基于 lifting 和基于图像的 3D 人体姿势估计。我们提出了一种新的基于奇异值的对比学习损失函数来同时对齐多个模态，从而提高性能。评估结果显示 UniHPE 在 Human3.6M 数据集上的 MPJPE 为 50.5mm，3DPW 数据集上的 PAMPJPE 为 51.6mm，显示出巨大的潜力来推动计算机视觉领域并贡献于各种应用。

Nov, 2023

本研究提出一种名为 MEVA 的基于自动编码器的运动压缩技术，将人类运动分解为平稳运动表示和通过运动细化学习的残差表示，从而捕捉人类运动的粗略整体动作和个人特定细节。实验结果表明，该方法产生了平稳和准确的 3D 人体姿态和运动估计。

Aug, 2020