引入了 HuMoR：一种用于鲁棒估计时间姿态和形状的 3D 人体运动模型。该模型是一个表达能力强的条件变分自编码器生成模型，学习了运动序列每一步姿态变化的分布。通过灵活的优化方法，可以利用 HuMoR 运动先验知识从模糊的观察中鲁棒地估计出合理的姿态和形状。经过广泛的评估，证明我们的模型在大量运动捕捉数据集上训练后，可以推广到多样化的动作和身体形状，并且可以从多种输入模态（包括 3D 关键点和 RGB (-D) 视频）重建运动。

May, 2021

本研究提出一个新型框架，名为 H4D，利用 SMPL 参数模型对动态人体进行建模，包括形状、初始姿势、运动和辅助信息，通过线性运动模型和 GRU-based 架构来提高准确性和表现力，有效地恢复了动态人物的运动和细节几何

Mar, 2022

探索两人互动的 ReMoS 模型，通过给定一个人的动作，合成第二个人的动作，以完成两者之间的互动，包括全身动作和手部交互，并通过多种评估指标、可视化和用户研究进行验证。

Nov, 2023

实现从单目 RGB-D 视频中对可变形物体进行高保真度的 360° 表面重建的 Neural rendering 技术的研究。

Dec, 2023

提出一种新方法，基于动态表面函数网络，利用单目 RGB-D 序列学习个体化身体模型，并使用人体表面多层感知器（MLP）来重构为具有时间连贯性的网格序列并合成姿态依赖性动画。

Apr, 2021

我们提出了 TRAM 方法，一个两阶段的方法，从野外视频中重建人类的全局轨迹和运动。通过增强 SLAM 以在存在动态人类的情况下恢复相机运动，并利用场景背景来推导运动尺度。利用恢复的相机作为度量尺度参考帧，我们引入一个视频转换模型 (VIMO) 来回归人类的运动。通过组合这两个运动，我们实现了对世界空间中 3D 人体的准确恢复，相对于之前的工作，全局运动误差减少了 60%。

Mar, 2024

本文介绍了使用文本描述生成多样的 3D 人类动作的方法，并提出了 TEMOS 框架，它是一种基于变分自编码器的文本条件生成模型，可以产生多种不同的人体动作，实验证明 TEMOS 框架在 KIT Motion-Language 基准测试中取得了显著的改进。

Apr, 2022

该论文提出了 TMR 方法，利用对比损失结构化跨模态潜在空间，提高文本到 3D 人体运动检索的性能，并在多个数据集上验证了其优越性能，同时也展示了其在时刻检索方面的潜力。

May, 2023

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

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