本篇文章调查了单目三维人体网格恢复的相关任务，包括身体模型，恢复框架 / 训练目标，数据集评估指标和评测结果，并从优势和劣势方面深入分析了两种范式：优化和回归。作者希望激励研究人员的兴趣，促进该领域的研究。

Mar, 2022

提出了一种新方法，通过使用稀疏的 3D CNN 估计场景的绝对位置和密集的场景接触，并通过与其相关的 3D 场景线索的交互关注来加强预训练的人类 mesh 回收网络的关节学习，进而提高每个正向遍历的准确性和速度。

Jun, 2023

本文通过研究 200 多篇论文，全面回顾了过去五年中 3D 人体姿态估计和网格恢复领域的深度学习方法进展，包括单人和多人方法，以及基于显式模型和隐式表示的人体网格恢复方法，并提供了公开数据集上的比较结果，以及深入观察和激发未来研究方向。

Feb, 2024

使用 RGB 和 LiDAR 技术的端到端架构，以前所未有的准确度预测绝对的三维人体姿势，同时采用 PedX 的二维姿态注释生成三维预测。

Oct, 2020

本文提出了一种名为 HMR 的端到端框架，可从单个 RGB 图像恢复人体的完整 3D 网格，通过优化关键点的后投影损失来训练模型，并使用对抗神经网络解决了模型参数欠约束的问题，最终实现了在野外图像中直接从像素预测人体姿态和形状参数的目标。

Dec, 2017

本文提出了一种基于简单的特征采样方案的 3D 人体网格重建方法，该方案利用嵌入空间中的点作为引导，有助于模型更集中地关注 2D 空间中的与网格相关性的特征，进而重建出自然的人体姿态，并且应用渐进的注意屏蔽机制来精确估计网格之间的局部交互。

Apr, 2023

本文提出了一个名为 VoteHMR 的方法，利用包括关节级别特征和输入点云全局特征的信息，通过新颖的遮挡感知投票网络从单帧部分点云中重建可靠的 3D 人类形态，并通过运动学树将关节级别特征填充完成亚像素级参数预测，使得方法在各项指标上均超过先前的工作。

Oct, 2021

该论文提出了一种新的框架，利用深度神经网络和 Hierarchical Mesh Deformation 技术综合使用人体关节、轮廓和像素的着色信息，从而在单张图片中精确恢复人体形状。实验证明，我们的方法在 2D IoU 计算和 3D 距离计算的准确度上都优于现有的其他方法。

Apr, 2019

DensePose 提供了图像与 3D 网格坐标的像素精确关联，而 Human Mesh Reconstruction（HMR）系统在 DensePose 定位度量中具有较高的 2D 重新投影误差。本文介绍了 MeshPose 并共同解决了 DensePose 和 HMR 问题。通过引入新的损失函数，我们使用弱 DensePose 监督准确定位部分网格顶点（'VertexPose'），然后将这些顶点提升到 3D，得到低多边形身体网格（'MeshPose'）。我们的系统以端到端方式进行训练，是第一个在保持竞争力的 DensePose 准确性的同时，也是轻量级且适用于高效推断的 HMR 方法，因此非常适合实时增强现实应用。

Jun, 2024

提出一种新模型 HumanMeshNet，它在多分支、多任务设置下，通过回归模板网格的顶点以及使用三维骨架位置进行规则化，隐式地学习了网格表示，从而实现虚拟、增强现实平台、动画行业、电子商务领域等方面的实时重建，并在三个公开数据集上展示了可比较的表面精度和关节误差性能。

Aug, 2019