本研究提出了一种全新的深度学习框架，包括生成对抗网络和数据关联策略，以解决多人定位和跟踪中的挑战。结果表明，该方法在各项性能评估指标中均表现突出，尤其是相对于其他深度神经网络方法。

Mar, 2018

Diffusion models have been utilized to generate high-quality tracking sequences through TrackDiffusion, which improves instance consistency and leads to significant improvement in multi-object tracking performance, as demonstrated on the YTVIS dataset.

Dec, 2023

通过使用多条件潜在扩散网络，该研究提出了一种重塑人体运动预测任务的方法，该任务基于给定的历史三维身体运动和当前三维场景上下文，以实现人体运动的预测。实验结果表明，该方法在真实和多样化的预测中显著优于现有技术。

May, 2024

本文提出了一种针对无限约束视频中多人的关节追踪方法，利用简化稀疏的身体关系图和最近的快速推断方法，以及将计算量转移到卷积结构上；并将关节定位方案用于构建关节追踪形式，解决了所有场景中的关联问题，并已在公共 MPII Human Pose 基准测试中取得最新结果。

Dec, 2016

我们提出了一种用于社交群体检测的简单高效的图形转换模块和图形聚类损失，能够在人群拥挤动态的情况下实现较高的表现。与先前基于视觉内容的方法相比，在保持准确性的同时，实现了高速的推理时间。该方法适用于实时的机器人应用。

Apr, 2023

使用可学习的图像提示将预训练的人体轨迹预测器的输入增强，从而使预测器能够从极少量的新数据中推断出部署场景的趋势，从而解决特定场景下的人体轨迹预测问题。

Dec, 2023

利用扩散模型为给定目标 3D 动作序列中的人物从单个图像创建动画的框架，包括学习关于人体和服装不可见部分的先验知识以及呈现适当的身体姿势和纹理的新姿态。

Jan, 2024

本文介绍了一种基于注意力跟踪范式的物体中心、基于变压器的三维跟踪框架。我们提出了 S.T.A.R.-Track，该框架使用新颖的隐式运动模型（LMM）将目标查询进行调整，以直接考虑视角和照明条件的变化，同时显式建立几何运动模型。此外，我们还提出了一种可学习的跟踪嵌入，有助于建立跟踪存在概率的模型。在 nuScenes 基准测试中进行的广泛实验显示出我们方法的优势，不仅在 DETR3D 跟踪器方面表现出最先进的性能，同时还显着减少了轨迹的身份切换次数。

Jun, 2023

本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。

Nov, 2018

基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

Sep, 2019