我们引入了 PoseBench，这是一个全面的基准，旨在评估姿势估计模型在面对真实世界的破坏时的健壮性，通过评估 60 种代表性模型，包括自上而下、自下而上、基于热图、基于回归和基于分类的方法，跨三个用于人类和动物姿势估计的数据集，我们的研究发现顶尖模型在面对常见真实世界破坏时易受攻击，并在应对人类和动物姿势估计任务时表现出不同行为。为了提高模型健壮性，我们深入研究了各种设计考虑因素，包括输入分辨率、预训练数据集、骨干网络容量、后处理和数据增强。我们希望我们的基准可以为推动健壮姿势估计研究提供基础。

Jun, 2024

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 reconstructing human poses in 3D 并使用 AddBiomechanics Dataset，本研究提出了一种估计人体动力学的基准方法。

May, 2024

该研究提出了一个创新的计算机视觉框架，旨在通过与现有软件的无缝集成来分析工业环境中的人体运动，以增强生物力学分析。该框架利用先进的图像处理和建模技术，通过卷积神经网络（CNNs）、直接线性变换（DLT）和长短期记忆（LSTM）网络准确地检测关键身体节点，重建 3D 标记点，并生成详细的 3D 人体网格。广泛的评估验证了该框架的有效性，在各种动作下与传统基于标记点的模型展示出了可比较的结果，并在关节角度估计和体重、身高估计方面具有精确性。生物力学 - 57 关键骨骼模板的集成进一步增强了该框架的鲁棒性和可靠性。该框架显示出在工业环境中进行细致的生物力学分析的显著潜力，消除了笨重的标记物的需求，并将其用途扩展到包括研究特定外骨骼装置对促进受伤工人迅速返回工作任务的影响在内的各个研究领域。

Apr, 2024

该论文提出了一种采用基于图像合成方法生成真实图片数据集以训练 CNN 模型，用于解决 3D 人体姿态估计缺少真实数据的问题，并通过在受控环境和实境的表现表明其可行性。

Jul, 2016

提出适用于单个 RGB-D 输入图像的刚体物体 6D 姿态估计基准，并通过姿态误差函数对姿态歧义进行处理，在 15 种不同方法的全面评估中发现，基于点对特征的方法目前表现最佳。

Aug, 2018

最近的研究发展提出了可在 GPU 上加速的适用于机器学习流程的可微分物理模拟器。我们展示了这些模拟器可以用于拟合标记点无遮挡运动捕捉数据的反向运动学，包括缩放模型以适应个体的人体测量值。通过隐式表示的运动轨迹，继而通过正向运动学模型传播，从而最小化重新投影到图像中的 3D 标记点的误差。不同的优化器还提供了其他机会，如在轨迹优化期间添加束调整以细化外部相机参数，或者进行元优化以改善基本模型，并联合使用多个参与者的轨迹。这种方法改善了标记点无遮挡运动捕捉的重新投影误差，并产生了与仪器走道的对照和临床人群相比准确的空间步长参数。

Feb, 2024

SportsPose 是一个大规模的姿态数据集，包括高度动态的运动。使用超过 176,000 个来自 24 名不同受试者的 5 种运动活动的 3D 姿势，SportsPose 提供了一组反映了运动复杂和动态性的多样化和全面的 3D 姿势。数据集伴随代码，可以从我们的网站上下载，希望 SportsPose 可用于开发和评估更有效的运动表现分析和损伤预防模型。

Apr, 2023

本研究旨在建立 “PoseTrack” 的标准，该标准是一种基于视频的多人姿势估计和关节跟踪的大规模基准，该基准将集合人类视觉分析研究人员的团体，通过提供大型代表性训练数据集，为研究提供平台并客观评估和比较提出的方法。

Oct, 2017

本文介绍了基本的生物力学概念，展示了如何将常见的关键点数据转换为独特描述给定姿势的关节角度，并证明了该方法适用于机器学习应用，特别是在需要与人类专家进行解释和对话的领域，如运动和医疗应用。

Jun, 2024