我们开发了一种方法来明确建模隐藏关节推理过程以显着增强有或无遮挡的人体姿势估计，将任务分为两个子任务：可见关键点检测和遮挡关键点推理，并提出了深度监督编码器蒸馏和骨架引导人体形状拟合来训练我们的模型，实验证明从遮挡中明确学习可以提高人体姿势估计的性能。

Jul, 2022

针对人体姿态和形状估计中的遮挡问题，特别是人物之间的遮挡问题，本文提出了一种新的框架，通过合成 occlusion-aware 阴影和 2D 关键点方便估计 SMPL 姿态和形状参数，使用三维神经网格渲染器实现了实时新学习，已在现有数据集中表现出优越性能。

Aug, 2021

本文提出了一种新的姿态转换方法，通过使用组合神经网络，预测人的轮廓，服装标签和纹理，并在推理时利用训练有素的网络生成一个外观及其标签的统一表示，以对姿势变化做出响应，并使用背景完成外观的呈现，从而实现保留人物身份和外观，具有时间上的一致性和泛化能力。

Dec, 2020

本篇论文提出了一种基于人体姿态的实例分割框架，相比于传统的基于 proposal 区域检测的方法，可以更准确地分割出人体，而且对于遮挡更具有鲁棒性。此外，作者还介绍了一个新的基于遮挡人体的公共数据集 OCHuman，包含了 8110 个被详细注释的遮挡人体实例，是相关研究中最复杂和具有挑战性的数据集。

Mar, 2018

本文提出了一个综合框架 DAG (Data, Attention, Graph)，用于解决因遮挡引起的性能降级问题。通过模拟遮挡场景，引入了掩蔽关节与实例粘贴数据增强技术；通过自适应判别注意力模块 (ADAM) 有效增强目标个体的特征；通过特征引导的多跳图卷积网络 (FGMP-GCN) 充分探索身体结构的先验知识，并提高姿势估计结果。通过在三个用于遮挡人体姿势估计的基准数据集上进行了广泛的实验，我们证明了所提出的方法优于现有的方法。代码和数据将公开提供。

Dec, 2023

该研究提出了一种人体姿势和形状预测模型，可以识别不可靠的预测区域，特别适用于人机交互领域。

May, 2023

通过利用掩膜监督进行无监督三维姿势估计，本文提出了一个统一框架，该框架利用从粗到精的骨架和人体表示，从而实现了对无标注数据的处理和可直接使用的估计结果。实验证明了我们在 Human3.6M 和 MPI-INF-3DHP 数据集上的最新姿势估计性能，并通过在野外数据集上的进一步实验说明了模型具有获取更多数据以提升性能的能力。

Dec, 2023

本研究提出了一种基于轮廓的人体服装建模和纹理预测系统，使用深度生成模型重建穿着服装人体的完整 3D 模型，其中使用 2D 轮廓和 3D 关节来描述人体的形状复杂性和变化，再通过条件生成对抗网络预测背景面纹理，实验证明该模型是一种有效的表示方法。

Dec, 2018

本研究提出了一种名为 OSSID 的框架，通过使用基于零样本学习的缓慢姿态估计器来自我监督训练快速检测算法，这使得估计器的过滤效果得到大幅改善，从而大大提高了姿态估计的速度。

Jan, 2022

该研究提出了一种基于图卷积和 transformers 的 Spatio-temporal 3D HPE 模型，通过综合利用时空特征和合成的遮挡来处理遮挡，实验证明该方法比现有的遮挡感知方法更有效，并且在没有任何遮挡处理机制时，现有的 3D HPE 方法在遇到遮挡时性能会显著下降。

Apr, 2023