借助多尺度空间特征和多步幅时间卷积网络，在设计 A 的基础上，B 通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性，并利用 2D 视频数据注入半监督学习能力。实验证实了该方法的有效性，并且消融研究表明我们网络的单个子模块的优势。

Apr, 2020

在具有重度遮挡的视频序列中，通过使用人体运动先验、大规模预训练的三维姿势和自监督学习，借助于时间连续性的潜力，提高给定视频序列中的三维姿势估计，从而在包含遮挡的自然环境视频中得到连续的三维姿势估计。

Dec, 2023

本文提出了一种利用时序回归网络和门控卷积模块来将二维关节转换为三维，并同时恢复缺失的关节的方法，还提供了一个包括多人、重度遮挡的人类动作数据集 MMHuman，并通过实验展示该方法在重度遮挡场景下的效果优于大多数现有的二维到三维姿势估计方法。

Oct, 2020

本文提出了一个综合框架 DAG (Data, Attention, Graph)，用于解决因遮挡引起的性能降级问题。通过模拟遮挡场景，引入了掩蔽关节与实例粘贴数据增强技术；通过自适应判别注意力模块 (ADAM) 有效增强目标个体的特征；通过特征引导的多跳图卷积网络 (FGMP-GCN) 充分探索身体结构的先验知识，并提高姿势估计结果。通过在三个用于遮挡人体姿势估计的基准数据集上进行了广泛的实验，我们证明了所提出的方法优于现有的方法。代码和数据将公开提供。

Dec, 2023

提出了一种新的框架，将图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）相结合，以强韧地估计无需摄像机参数即可实现相机中心多人 3D 姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息，并结合使用 GCNs 和 TCNs 的方法。定量和定性评估表明，所提出的方法具有实际应用效果。

Dec, 2020

本文介绍了一种基于能量最小化的方法，用于解决多人姿态估计中的遮挡问题，该方法在时间上生成平滑、有效的轨迹，填补可视性差的空隙，实现了优于其他基于插值的方法的结果；同时，我们提出了合成的 MuCo-Temp 数据集，该数据集是 MuCo-3DHP 数据集的时间扩展。

Oct, 2020

该研究提出了一种基于图卷积和 transformers 的 Spatio-temporal 3D HPE 模型，通过综合利用时空特征和合成的遮挡来处理遮挡，实验证明该方法比现有的遮挡感知方法更有效，并且在没有任何遮挡处理机制时，现有的 3D HPE 方法在遇到遮挡时性能会显著下降。

Apr, 2023

本文提出了一种基于多帧和时序信息的人体姿态估计方法。该方法包含三个模块：姿态时序合成器、姿态残差融合模块和姿态校正网络。在 PoseTrack2017 和 PoseTrack2018 数据集上进行的实验结果表明，该方法取得了最佳效果，并已发布代码以期促进未来的研究。

Mar, 2021

本文研究了在人机共享环境中，部分遮挡对 3D 人体姿态估计的影响及几种合成遮挡类型对 Human3.6M 数据集中现有方法的影响，并发现性能最好的方法即使在轻微遮挡下也会出现敏感性，通过训练数据增强和合成遮挡来提高遮挡鲁棒性并有效地规范化模型。

Aug, 2018

提出一种新的空时网络架构，通过加权雅可比特征传播规则实现了图卷积网络在 3D 人体姿势估计上的有效性。

Aug, 2023