本研究提出了一种粗到细的流程来解决从单眼 RGB 图像中估计多人物 3D 姿态和形状网格的问题，并且通过 Transformer-based refinement 和克服因人与人之间的遮挡而引入的不确定性，优于现有技术，在 3DPW，MuPoTS 和 AGORA 数据集上进行广泛实验得出了实验证明。

Oct, 2022

提出了一种基于已知层次结构的人体参数化模型回归新技术，旨在更加灵活应用于当前标准的三维人体网格恢复框架，并通过实验数据证明其性能优于现有方法，能在数据损坏下推断关节。

Mar, 2020

本文旨在解决 3D 人体姿态重建过程中的图像 - 模型不对齐问题以及深度学习算法容易预测出不真实的人体结构的问题，提出了一种名为 HybrIK 的混合逆运动解决方案，该方案通过牵转摆分解将 3D 关节点直接转化为 3D 人体网格的相对身体旋转角度，既保持了 3D 姿态的准确性，也保留了参数化人体模型的真实身体结构，有效地提高了 3D 人体姿态和形状的测量精度。

Nov, 2020

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

本文提出了一种基于多视图图像的直接关节角度估计方法，通过结合体态姿势表示法，将旋转表示法映射到一个连续空间中，为现场运动分析提供了一种新的方法。

Jul, 2023

本研究提出了一个新型的 HybrIK 反向运动学解决方案，并使用扭转摆动分解将准确的三维关节点直接转换为身体部位旋转。通过混合 3D 关键点估计方法和人体网格恢复的方法，将 3D 关键点的精确性和人体模型的真实结构保留下来，为像素对齐的整体人体网格恢复提供了新思路。

Apr, 2023

MotioNet 是一种用于从单眼视频中重建 3D 人体骨骼运动的深度神经网络，通过嵌入运动先验信息的深度神经网络将 2D 关节位置序列分解为对称骨骼和与全局根位置和足接触标签相关联的 3D 关节旋转序列，并在 3D 位置上应用正向运动学，使用敌对损失确保恢复的旋转速度处于自然关节旋转曲面上的关键优势使其能够直接从训练数据中学习到自然的关节旋转。

Jun, 2020

通过将前向运动学与神经网络相结合，本研究提出了一种快速有效的方法，将图像中的二维关键点提升到三维骨架，预测关节旋转和骨长，并利用神经网络中的 FK 层与骨骼约束相结合，实现了对三维骨骼姿势的快速准确估计。在定量和定性评估中，我们证明了该方法在关节位置误差和视觉外观方面都比 MediaPipe 更准确，并且能够在不同数据集上进行泛化。基于 PyTorch 的实现仅使用 CPU，每张图像处理时间为 100-200 毫秒（包括 CNN 检测）。

Aug, 2023

提出了一种基于生物力学的新型网络，利用两个输入视图直接输出三维运动学，通过合成数据集 ODAH 进行训练，实验证明该方法在多个数据集上超过了现有先进方法，为提升基于视频的人体动作捕捉提供了有前景的方向。

Feb, 2024

通过训练深度神经网络，使用人体运动树结构来估计相对 3D 关节旋转矩阵的分层矩阵费舍尔分布（即身体姿态）和 SMPL 身体形状参数的高斯分布，实现了对 3D 人体形状和姿态的分布性预测，能够有效地量化预测不确定性并从中采样出多种可能的 3D 重建形式，从而解释给定的输入图像。

Oct, 2021