本文介绍了一种姿势细化网络，它可以在现有神经网络的基础上直接预测细化的姿态。通过使用新颖的数据增强方案进行训练，我们的方法在四个大型姿势估计基准测试中得到了系统的改进。

Apr, 2018

本文提出了一种模型无关的姿态精炼方法，利用现有的错误统计信息产生合成姿态来训练模型，而无需其他方法的代码或知识，并在测试阶段通过各种最先进的姿势估计方法改进性能。

Dec, 2018

通过使用物体区域指导姿势估计问题，而不是显式语义物体检测，我们提出 Pose Refiner Network (PoserNet)—— 轻量级图神经网络来细化相机姿态的大致成对相对姿态。

Jul, 2022

我们提出使用密集对应将人体模型的初步估计与相应的图像生成关联，以便优化初步估计的过程。我们将 3D 模型的渲染结果用于预测合成图像与 RGB 图像之间的像素级 2D 位移，从而有效地整合和利用人体外观信息。通过最小化投影损失，我们可以将像素级位移转化为可见顶点级位移，并用于三维模型的优化。在 3DPW 和 RICH 上，我们通过不同的优化过程对多个模型的初步估计进行了优化，结果表明我们的方法不仅能够使图像与模型更好地对齐，还能提高三维的准确性。

Mar, 2024

本研究通过使用平移及旋转等变卷积神经网络来将相机运动的表示直接归纳为特征空间，从而证明了直接学习等变特征优于学习中间表示，并表明我们的轻量级模型在标准数据集上优于现有模型。

Apr, 2022

从弱标记数据中学习姿态估计的方法，通过使用 NeRF 隐式学习物体形状，结合 CNN 使用对比损失学习视图不变特征，从而估计姿态。

Jun, 2024

通过多相机无标记运动捕捉，使用基于 CNN 的方法进行人体运动捕捉，利用三维推理提高关节点定位准确性，并利用高质量的多相机训练数据来提高现有单相机模型的准确性。

Aug, 2018

引入了一种新颖的神经体姿态特征 ——PoseMap，旨在通过囊括图像之间和相关摄像机姿态之间的信息增强摄像机定位能力。该框架利用了绝对姿态回归（APR）架构和增强的 NeRF 模块，不仅有助于生成丰富的训练数据集来丰富训练，在线自监督对齐的扩展还能允许该方法在无标签图像上使用和微调。实验证明，我们的方法在室内和室外基准场景上平均性能分别提高了 14.28% 和 20.51%，超过了现有的具有最先进精度的 APR 方法。

Mar, 2024

使用单眼相机进行三维人体姿态估计存在深度模糊问题，本文提出了一种基于扩散的三维姿态优化器 (D3PRefiner)，通过神经网络学习噪声姿态和真实姿态之间的映射关系，从而大幅提高当前的三维姿态估计性能。

Jan, 2024

本文介绍了一种基于相对相机位姿的学习框架，采用新的损失函数和模型架构，可以弱监督学习特征描述符，从而避免了精确的像素级匹配，为更大更多样化的数据集训练描述符提供了可能。通过该框架训练的 CAmera Pose Supervised 描述符甚至优于过去的有监督描述符，实现了多种几何任务的最先进性能。

Apr, 2020