使用一个人的动态视频，通过引入新颖的组合式人体建模框架，结合显式建模和隐式建模的方法，实现高质量的服装 3D 人体化身建模，解决了缺乏几何和其时间对应关系的 3D 真值数据的挑战，成功地生成了具有运动相关几何和纹理的服装 3D 人体化身。

Dec, 2023

本研究提出一种新的具有运动条件的人类动态外观模型，使用等变编码器从三维身体表面的空间和时间导数生成可推广的表征，再通过组合式多任务解码器渲染具有高保真度的时间变化外观的视频，实验结果表明，本方法能生成视角全新的人类动态视频。

Mar, 2022

通过观察人类运动的视觉序列，我们可以轻松猜测人在过去和未来的 3D 运动。我们提出了一个可以学习人类 3D 动力学表示的框架，通过简单而有效的图像特征时间编码。在测试过程中，学习到的时空表示能够预测具有平稳性的 3D 网格。我们的模型可以从单个图像中恢复当前的 3D 网格以及它未来和过去的 3D 运动，同时也可以通过半监督学习从带有 2D 姿态标注的自然视频中学习。我们通过对来自互联网海量未标记数据的模型训练，通过已有的 2D 姿态检测器得到伪基础真值 2D 姿态，证明了我们的模型可以自举学习并在三维动作预测任务中获得最新的性能。

Dec, 2018

该研究介绍了一种使用稀疏惯性传感器的新型人体姿势估计方法，该方法通过利用来自不同骨骼格式的多样的真实惯性运动捕捉数据，改进了以往依赖合成数据方法的缺点，包括两个创新组件：基于伪速度回归模型的惯性传感器动态运动捕捉和将身体和传感器数据分为三个区域的基于部件的模型，每个区域都专注于其独特的特征。该方法在五个公共数据集上表现出优越的性能，特别是在 DIP-IMU 数据集上将姿势误差减少了 19％，从而实现了惯性传感器人体姿势估计的重要改进。我们将公开实现我们的模型供公众使用。

Dec, 2023

本研究提出了一种利用 D&D 学习人体动力学的方法来实现从非惯性的本地帧考虑动态摄像机的惯性力控制来重构 3D 人体运动，并通过概率接触扭矩和基于注意力的 PD 控制来实现弱监督的接触状态，从而在大规模 3D 人体运动基准测试中表现出优越的性能。

Sep, 2022

研究使用单个 RGB 图像预测人体动态，提出了 3D Pose Forecasting Network (3D-PFNet)，结合 2D 预测和 3D 空间，在多样化的数据源下进行了三步训练，展示了在 2D 姿势预测和 3D 姿势恢复上有竞争力的性能结果。

Apr, 2017

本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

Mar, 2019

本文提出了一种基于 LSTM 网络，使用时间信息提高 2D 关节点坐标序列估算 3D 姿势的鲁棒性和一致性，实验在 Human3.6M 上提高了 12.2% 的精度。

Nov, 2017

通过使用基于视觉的场景几何形状信息，我们提出了一种用于改善人体姿态估计的新颖机制：多层深度图。我们展示了这种方法可以提高 3D 姿态估计的精度。

May, 2019

我们提出了一个多阶段的 3D 序列到序列人体姿势检测框架，利用变压器的自注意力机制从多视角视频数据中捕捉空间 - 时间相关性，实验结果表明我们的方法在 Human3.6M 数据集上表现出色。

Jan, 2024