本文提出了两种新颖的姿态校准框架，采用先进的 3D 姿态估计器和 HMR 序列或并行方式有效地校准人体网格，通过非刚性姿态变换，可以灵活地处理骨长变化以缓解校准后的网格中的误放置，并通过数据驱动学习和几何建模的通用和互补集成来实现，可用于各种图像 / 视频人体网格的恢复，其在多项基准测试中取得了最新的表现。

Mar, 2021

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

Synergistic Camera and Human Reconstruction (SynCHMR) combines visual SLAM and HMR to reconstruct camera trajectories, human meshes, and dense scene point clouds in metric scale and a common world frame.

May, 2024

提出了 Multi-HMR，这是一个强大的单次拍摄模型，可以从单个 RGB 图像中恢复多人的 3D 人体网格。

Feb, 2024

通过直接校准未知的尺度因子，Optimization-free Camera Motion Scale Calibration (OfCaM) 提供了一种新的方法来实现准确的相机运动尺度校准，从而改进了全局人体运动估计任务，相较于基于优化方法，能降低全局人体运动误差 60% 且推理时间成本更低。

Jun, 2024

从任意多视角图像中恢复人体网格涉及两个特点：任意的相机姿态和任意数量的相机视图。为了解决这个问题，我们提出了一个分治框架，用于从任意多视角图像中统一恢复人体网格。

Mar, 2024

本研究通过引入多裁剪方法，结合对裁剪间关系的分析以提取判别特征、减少相机不确定性，并利用对相同人体多裁剪的对比学习、特征融合和局部相机一致性等策略，改进了以往的单图像人体网格恢复方法。

Feb, 2024

本篇文章提出了一种能够从单目录像中实现三维全局人体网格恢复的方法，该方法具有鲁棒性，即使在面临严重和长期的遮挡时，也可以跟踪人体；同时，该方法可以在动态相机下，构建出一致的全局人体网格，这一方法也被称为 “深度生成运动填充器”。

Dec, 2021

我们提出了一种基于得分指导的人体网格恢复（ScoreHMR）方法，用于解决三维人体姿势和形状重建的反问题。

Mar, 2024

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