SHARE: 人体对抗性重建
为解决估计人体姿态和形状方法在真实场景中可能面临的数据偏移问题，本文提出了一种基于解释性参数的模拟器和一种学习测试方法 PoseExaminer，该方法利用多智能体强化学习系统协作探索高维人体姿态图像参数空间，通过揭示现有模型的局限性，并利用 PoseExaminer 发现的失败模式来进行微调，提高现有方法的鲁棒性和性能。
Mar, 2023
使用多视角图像建议一种可伸缩的神经网络框架来重建 SMPL 模型子空间中的人体 3D 网格，并在现实图像上表现优异，特别是在形状估计方面。
Aug, 2019
基于弱监督方法，提出了适用于轻量级单假设模型的概率恢复三维人体姿势评估框架（PRPose），通过逆向映射隐藏概率分布，采用自适应噪声采样策略生成合理的多假设样本，从而解决了 2D 姿势检测误差和 2D 到 3D 非正常问题的限制，实验证明了 PRPose 的有效性和高效性。
May, 2024
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
本文介绍了一种基于递归 3D 姿态序列机器（RPSM）的方法，利用多级顺序细化来自动学习图像相依结构约束和序列相依时间上下文，以提高准确的 3D 姿态序列预测，在人类行为数据集 Human3.6M 和 HumanEva-I 数据集方面的评估显示，我们的方法优于所有最先进的 3D 姿态估计方法。
Jul, 2017
本文介绍了一种使用可穿戴传感器来在与周围环境的 3D 扫描注册的人体中恢复完整的 3D 姿势的方法，该方法使用身体部位处的 IMU 和向外看的头戴式摄像机将基于相机的自定位与基于 IMU 的人体跟踪融合，并将 3D 场景约束集成到优化中，以获得无漂移的姿态精度，从而可以在更大的记录体积和更长的运动周期中捕获 3D 姿势，可用于虚拟现实 / 增强现实应用程序或通过第一人称视觉输入训练导航和与环境交互的代理。
Mar, 2021
SPEC 是第一个在野外图像中从单幅图像估计透视相机并更准确地重构 3D 人体的 3D 人体姿态和形状方法，SPEC 通过训练神经网络来估计视场角、相机俯仰角和滚转角，并将相机标定与图像特征连接起来，一起用于回归 3D 人体的形状和姿势，其结果在标准基准和两个新的数据集中表现比之前的艺术更加准确。
Oct, 2021
通过 LiveHPS，我们提出了一种新的基于单个激光雷达的场景级人体姿态和形状估计方法，可以解决激光点云的分布变化、遮挡和噪声干扰等问题。通过多模态和多视图的采集数据，我们的方法在新数据集和公共数据集上进行的广泛实验证明了其在实际应用中的卓越性能和鲁棒性。
Feb, 2024