该研究通过使用一个新颖的基于部件的形状模型，从玩具模型的 3D 扫描中学习了一个能表示狮子、猫、狗、马、奶牛和河马等动物形状的统计形状模型，并通过将人工智能技术运用于真实动物的图像中，证明了它的普适性。

Nov, 2016

提出了 Animal3D 数据集，为哺乳动物的 3D 姿态和形状估计提供了全面的数据集，实验证明跨物种的动物 3D 形状和姿态的预测仍然是一项非常具有挑战性的任务，合成预训练是提高模型性能的一种可行策略。

Aug, 2023

我们提出了一种从单目视频中构建可动画的狗头像的方法，通过解决动物的姿态变化和外观问题，提高了基于模板的形状拟合的质量。我们的方法在 CoP3D 和 APTv2 数据集上展示了优异的结果。

Mar, 2024

从合成动物数据集学习语义部分分割，提出了具有更广泛的姿态多样性的合成动物数据集和适应方法，通过频谱混合和类平衡方法改进了现有的领域自适应方法，在 PartImageNet 上验证了该方法的有效性，并展示了合成虎和马的学习部分在所有四足动物上的可传递性。

Nov, 2023

SuperAnimal 是一种新的解决行为分析中 pose 估计问题的 plug-and-play 解决方案，使用深度学习技术自动提取关键点，无需人工标记，并可应用于超过 45 种物种。

Mar, 2022

本文介绍了一种使用关节模板和物种的图像来捕捉新物种的方法，重点关注鸟类。通过解开姿态和形状，从图像证据中学习捕捉各物种和每个物种内部变化的形状空间，并使用低维嵌入，展示了所学 3D 形状空间比感知特征更好地反映了鸟类之间的系统关系，并提供了一些新的物种特定和多物种形状模型，有利于下游重建任务。

May, 2021

通过在动物自然环境下的图片中捕捉 Grevy 斑马的 3D 姿态、形状和纹理信息，为探究动物健康和行为提供了新的路径。该研究开发了一种新的方法，将 SMAL 动物模型与基于网络的回归管道相结合，通过训练合成图片，实现了对斑马形状和姿态的预测，为仅使用光度损失从图像学习形状空间提供了新的途径，并可用于在其他具有受限 3D 监督的情况下学习形状。具体地，该方法称为 SMALST，不仅可以预测动物的 3D 形状、姿态和纹理，而且在预测纹理图的基础上，可以无监督地优化特征。

Aug, 2019

本文提出了一种基于用户标记图片和动物模板的体积变形框架，通过学习每个局部区域的硬度值，动态调整模板三维网格来实现动物变形与模拟，其优于未学习硬度值的方法，适用于高度可形变和关节灵活的动物模型。

Jul, 2015

使用合成图像和 CAD 动物模型生成的真值，使用提出的一种新颖的一致性约束半监督学习方法进行高度可变形的动物关键点预测。

Dec, 2019

本研究提出了基于草图查询进行相关 3D 动物模型检索的 SHREC 竞赛，构建了包含 711 个独特的动物模型和 140 个对应草图查询的 ANIMAR 数据集。我们从八个团队和 204 次运行中得到了令人满意的结果，并提出了未来改进检索性能的潜在研究方向，如优化特征提取和匹配技术以及创建更多样化的数据集。

Apr, 2023