本文探讨了将自监督预训练用于基于 transformers 的 3D 网格数据分析的学习范式，并首先将 Vision Transformer 适应到 3D 网格数据处理中，即 Mesh Transformer，并通过 MAE 的启发，在 3D 网格数据上进行自学习，提出了 MeshMAE 方法，可以提供 3D 网格分析任务的最新性能，并证明了我们方法中关键设计的有效性。

Jul, 2022

本论文提出了一种对抗性学习框架，利用基于多源鉴别器的几何描述符对在野外场景下的 2D 姿态注释图像进行 3D 人体姿态估计。实验证明，该方法在公共基准测试上明显优于以往的最先进方法。

Mar, 2018

本研究提出了一种新的自我监督框架，用于三维姿势传输，并利用潜空间中的对比学习约束，实现无监督，半监督和全监督设置下的对比度学习。实验结果表明，我们的方法在受监督的 3D 姿势转移方面取得了最先进的结果，在无监督和半监督设置中取得了可比较的结果。

Apr, 2023

通过设计一种名为 TT3D 的新型框架，可以从少量多视图图像中快速重建为可转移的针对性的 3D 纹理网格，该方法不仅展示出卓越的跨模型转移能力，而且在不同的渲染和视觉任务中保持可观的适应性，此外，通过 3D 打印技术在真实世界中生成的 3D 对抗样本也得到了鲁棒的验证。

Dec, 2023

该论文提出了一种名为 AdaptPose 的端到端框架，通过生成合成的 3D 人体动作数据，并在新数据集上通过微调来提高 3D 姿态估计模型的泛化能力，该方法成功地比之前的交叉数据集评估方法和使用部分 3D 注释的半监督学习方法改进了 14% 和 16%。

Dec, 2021

我们提出了一种基于迁移学习和领域自适应技术的深度适应网络，通过自监督学习获取具有场景不变性的图像表示，并将其用于摄像机姿态估计中。在 Cambridge Landmarks 和 7Scene 上的评估表明，该网络优于几个基线，并与最先进的方法进行了比较。

Jun, 2020

本文提出了一种基于深度学习的人体姿势估计方法，采用生成对抗网络作为学习模式，在两个相同结构的堆叠沙漏网络中设定生成器和判别器，生成器用作人体姿势估计，判别器将真实热力图与生成的热力图区分，通过对抗损失反向传播至生成器，使生成器学习合理的人体各部分构造，提高预测准确性。

Jul, 2017

本文提出了一种无监督的方法，使用新颖的 IEP-GAN 模型实现了任意给定 3D 网格之间的姿态转移，包括人体、动物和手等各种数据集，并展示了使用该模型进行姿态转移、身份交换和姿态插值的可能性。

Aug, 2021

本文提出了一种 3D 感知的对抗性化妆生成 GAN 模型，旨在提高身份信息遮盖的合成化妆品的质量和可转移性，进而保护人脸不被各种人脸识别模型与商业面部验证 API，如 Face++，百度和阿里云等识别。

Jun, 2023

本文旨在解决目前姿态估计算法对于数据噪声的不稳健性问题，提出了一种可以在广泛的姿态估计模型中提高鲁棒性的新算法 ——AdvMix，该算法包含对抗样本生成和知识蒸馏两部分，并经过大量数据实验验证其可显著提高姿态估计的鲁棒性。

May, 2021