本文介绍了 COCO-WholeBody 数据集和 ZoomNet 网络模型，通过使用这些技术，能够更准确地进行人体姿态估计。

Jul, 2020

本文介绍了一个实时运行的系统 AlphaPose，它可以同时执行准确的全身姿势估计和跟踪。我们使用了几种新技术，包括对称积分关键点回归（SIKR）用于快速和精确的定位，参数化姿势非最大抑制（P-NMS）用于消除冗余的人体检测和姿势感知身份嵌入，用于联合姿势估计和跟踪。我们的方法能够准确地定位全身关键点并同时跟踪人，可以显著提高 COCO-wholebody，COCO，PoseTrack 和我们提出的 Halpe-FullBody 姿势估计数据集的速度和准确性。

Nov, 2022

提出了一种新的一体化框架 AiOS，用于多种表达性人体姿势和形状恢复，无需额外的人体检测步骤，通过 DETR 处理多人全身网格恢复任务，将其作为渐进集预测问题，通过解码器令牌和扩展实现对整个人体网格的回归，在 AGORA 上，NMVE 的减少率为 9%，EHF 上的 PVE 减少率为 30%，ARCTIC 上的 PVE 减少率为 10%，EgoBody 上的 PVE 减少率为 3%。

Mar, 2024

提出一种框架，包括四个阶段：脸部检测，边界框聚合，姿态估计和特征点定位。实验结果表明，该框架在人脸检测和特征点定位方面优于其他先进算法。

May, 2017

本研究提出了一种新的任务，在人体形态和姿势估计中使用多幅图像组成的分布预测模型，使我们能够量化姿势预测的不确定性，并提高了 3D 人体形态估计度量标准。

Mar, 2021

提出了一种从单眼视频中恢复时间一致的 3D 人体姿势、形状和动作的方法，通过使用具有身体感知特征表示和独立的逐帧姿势和相机初始化，结合自相似性和自注意力等技术进行时空特征聚合，该方法提供了增强的时空上下文，可在各种复杂场景下得到更准确的姿势估计和形状重建。

Nov, 2023

该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

Aug, 2018

本文提出了一种快速准确的全身三维姿态估计系统 FrankMocap，该系统通过模块化设计，独立地对面部、手和身体进行三维姿态回归，然后通过集成模块合成回归输出，从而实现同时产生三维面部姿态、手和身体姿态的功能。快速而简单的集成模块可以避免整体优化和端到端方法的缺陷，从而在定量和定性上都显示出了优于现有方法的性能。

Aug, 2021

本研究提出了一种新的单一神经网络方法，用于 2D 全身姿势估计，并可同时定位身体、面部、手和足关键点。该方法采用一种底部上的公式，使其在图像中的人数不论多少，都能保持恒定的实时性能。神经网络采用多任务学习，经过改进的结构可以处理身体 / 脚和面部 / 手关键点之间的尺度差异。这种方法在速度和全球精度方面都显著优于 OpenPose，并且不像 OpenPose 那样需要为每个手和面候选者运行额外的网络，因此在多人场景中速度更快。本文的研究结果进一步降低了需要 2D 全身信息的应用程序（例如 VR / AR，重新定位）的计算复杂性，而且在面部和手部模糊、低分辨率等情况下，准确率更高。

Sep, 2019

本研究通过 ExPose 方法，在 RGB 图像中直接完成人体、面部和手部的三维捕捉及表达，与现有优化方法相比，更加准确、高效。

Aug, 2020