本文提出了使用事件相机和基于 CNN 的姿态检测方法的 EventCap 方法，结合了基于模型的优化以及深度网络检测处理，以捕获高速运动细节和减少跟踪漂移。实验结果表明，该方法具有高效准确的优点，并且对于具有挑战性的照明条件具有较强的鲁棒性。

Aug, 2019

我们介绍了一种重建第二人称 3D 人体网格时间序列的新任务，并通过优化方法的应用解决了视角独特的自我中心视频人体捕捉的技术难题，从而比之前的单眼视频人体动作捕捉方法更准确地估计人体姿态和形状。

Nov, 2020

本文提出了利用事件相机数据进行自我中心行为识别的两种策略，并将其应用于首个基于事件相机的视频数据集，结果表明，事件数据不仅可在不需要流计算的情况下提供与 RGB 和光流同等的性能，而且相比仅使用 RGB 信息提高了 4％的表现。

Dec, 2021

本文提出了一种新的基于事件的方法，用于 3D 姿态估计和人体网格恢复，通过移动事件相机，通过衰减光线雕刻 3D 体素，重建人体姿态和网格，并拟合统计身体模型，实验结果表明该方法在姿态和身体网格估计精度方面优于传统基于帧的方法。

Apr, 2024

提出了一种新的实时方法，基于单个鱼眼摄像头和轻量级设备设置，通过 CNN 在个人视角测量人体姿态，使得在广泛的日常活动中成为可能。

Mar, 2018

借助底部 VR 设备上安装的鱼眼相机捕捉的单目图像，使用编码器 - 解码器架构和新型多分支解码器，实现了针对自我中心 3D 人体姿势估计的解决方案，并提出了一种大规模的照片逼真的合成数据集 xR-EgoPose。这项工作在合成和实际数据集上与现有算法相比，准确率有大幅提高。

Nov, 2020

该研究介绍了一种新方法，利用头部运动作为中间表示，将三维人体运动的预测分解为两个阶段，并使用条件扩散生成多个可能的全身动作，消除了需要训练配对数据集的需求，可以分别利用大规模的追踪数据集和运动捕捉数据集。

Dec, 2022

通过使用新的基于 transformer 模型的框架，结合场景信息和长时空上下文，利用头戴设备提供的俯视图来更准确地估计包括蹲下和坐下等复杂动作的三维人体姿态，并提出了两个新的用于综合评估现有和即将推出方法的数据集 UnrealEgo2 和 UnrealEgo-RW。

Dec, 2023

提出一种新的方法，可以在室内和室外等各种场景下，实时地通过佩戴在头盔或虚拟现实头戴式显示器上的轻量级鱼眼立体相机，使用生成式姿势估计和基于 ConvNet 的身体部位检测器，无需标记，从而捕捉全身运动。

Dec, 2016

提出了 EgoHumans 数据集，用于改进以往单人或仅局限于室内的 egocentric human 3D 姿势估计和跟踪算法，利用可穿戴相机配备的眼镜的多视角构建全面的 egocentric multi-human 数据集，并采用多流变压器体系结构和显式 3D 空间推理来估计和跟踪人体姿态。

May, 2023