本研究通过对3D人体姿态估计表征问题的认真研究，提出了一种方法，并且对现有的最优解的表现进行了超越，在标准测试基准中相对误差降低超过30％，该方法包括Convolutional Network、端到端的学习模型、从粗到细的预测方案和三维体表示。

Nov, 2016

该论文研究了变分自编码器（VAE）在学习可解释的表示和生成建模方面的出色表现，提供了对其良好性能的解释，阐明了该架构中解码器的局部正交性，从而促进重构和正交性之间的平衡。

Dec, 2018

本文介绍了一种新的正则化方法 mutual posterior-divergence regularization，用于控制潜空间的几何结构，从而实现有意义的表征学习，并在三个图像基准数据集上取得了良好的表现。

Jan, 2019

本文提出了一种基于深度有条件变分自编码器的模型，通过合成以估计的 2D-pose 为条件的不同解剖学合理的 3D-pose 样本集，解决了 2D-to-3D lifting 中的内在歧义问题，并提出了两种策略用于获取最终的 3D 姿态，并在两个基准数据集上报告 OrdinalScore 接近最先进的结果。

Apr, 2019

本文讨论了利用弱监督方法进行可变自编码器（Variational AutoEncoders，VAEs）的训练过程，并提出了一种称为Gated-VAE的新模型来实现VAEs的解缠结性。该方法包括对表示嵌入进行划分和门控反向传播。实验结果表明，采用门控反向传播，比采用不带门控的VAEs模型在平均解缠结度、完整度和信息量方面都有所提高。

Nov, 2019

本文使用2Djoint keypoints学习压缩的视角不变嵌入空间，通过建立概率嵌入模型，实现对不同视角人体姿态的相似性识别，相关技术可应用于姿态识别和视频对齐等方面。

Dec, 2019

通过使用新颖的神经表示，我们提出了一种部署友好的、快速的自下而上的多人三维人体姿态估计框架；进一步，我们基于跨模态的对齐问题，提出了一种实用的部署范式，使得我们的模型不仅能够处理现实世界的图像，而且在速度与性能之间实现了更好的平衡。

Aug, 2020

通过引入一种低维离散潜在表示的独特方法，我们将人体姿态和形状估计(Human Pose and Shape Estimation，HPSE)问题作为一个分类任务来解决，预测离散潜在表示，从而实现对人体网格的编码。我们的模型VQ-HPS在训练中通过最小化交叉熵损失实现，结果显示它在HPSE问题上胜过当前最先进的无参数方法，并且产生与参数方法一样逼真的结果，这突显了分类方法在HPSE中的重要潜力。

Dec, 2023

我们提出了一个名为CV-VAE的视频VAE方法，通过与给定图像VAE进行潜在空间的兼容性来实现训练视频模型，并展示了其在视频生成和压缩方面的有效性。

May, 2024

本研究解决了现有多物体姿态估计方法依赖3D模型和深度数据的缺陷，提出了CVAM-Pose方法，利用标签嵌入的条件变分自编码器网络在单一低维潜在空间中隐式抽象多个物体的规整化表示。CVAM-Pose在多物体场景中展现出优异的可扩展性和效率，其性能明显优于其他潜在空间方法，特别是在Linemod-Occluded数据集上超过了AAE和Multi-Path方法20%到25%。

Oct, 2024