使用深度卷积神经网络和图形模型，从单个静态图像中估计人的关节姿势，利用局部图像测量，定义图形模型并尝试预测它们之间的空间关系，从而充分利用图像相关联的先验知识。

Jul, 2014

本文探讨了空间背景信息在人体姿态估计中的重要性，提出了利用上下文信息的 Cascade Prediction Fusion 和 Pose Graph Neural Network 两个模块。在 MPII 和 LSP 基准测试中，实验结果表明我们的方法始终优于以前的方法。

Jan, 2019

本文提出了一种基于图神经网络(GNN)的在线学习姿态动态的新方法，通过纳入时空和视觉信息，匹配历史姿态tracklets并直接预测下一帧的目标姿态，通过综合检测到的姿态和预测，实现多人姿态估计和跟踪。实验结果表明，该方法在人体姿态估计和跟踪任务上具有优异的性能。

Jun, 2021

本文提出一种基于有向图模型的U型结构的条件有向图卷积网络，用于从单目视频中进行3D人体姿势估计，实验结果表明有向图模型可以更好地利用人体骨骼的层次结构，而条件连接可以为不同的姿态产生自适应的图拓扑。

Jul, 2021

本文介绍了一种基于迭代图滤波的框架，用于3D人体姿势估计，并通过高斯-塞德尔迭代法设计了Gauss-Seidel网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

Jul, 2023

DiffPose 是一种新颖的扩展扩散模型，将基于视频的人体姿势估计作为条件热图生成问题，并通过多组姿势估计的结合以及迭代步骤的调整来提高预测准确性，成功地在 PoseTrack2017、PoseTrack2018 和 PoseTrack21 三个基准测试上取得了新的最佳结果。

Jul, 2023

提出一种新的空时网络架构，通过加权雅可比特征传播规则实现了图卷积网络在3D人体姿势估计上的有效性。

Aug, 2023

我们提出了一种基于扩散的优化框架DRPose来改进确定性模型的性能，并借助多噪声的多步骤优化和多假设预测，实现了适用于当前姿势基准的更合适的多假设预测。

Jan, 2024

在这篇论文中，我们提出了一种全局方法来利用时空信息，采用紧凑的图和跳过Transformer架构实现高效的三维人体姿势估计。通过使用自适应拓扑的粗粒度身体部件构建空间图网络，在时序编码和解码阶段，使用简单有效的跳过Transformer捕捉长程时序依赖并实现分层特征聚合，同时引入动态信息到二维姿势序列中。通过在Human3.6M、MPI-INF-3DHP和Human-Eva基准测试集上进行广泛实验证明，G-SFormer系列方法相比之前的最新技术表现出更好的性能，仅具有约百分之十的参数量和显著降低的计算复杂度。此外，G-SFormer方法还对检测到的二维姿势不准确表现出卓越的鲁棒性。

Jul, 2024

本研究旨在解决基于文本生成多样、结构正确且美观的人体姿态骨架图像的挑战。作者提出了一种名为PoseDiffusion的框架，该框架结合了图卷积神经网络，能够有效学习人体骨架的空间关系。实验结果显示PoseDiffusion在文本驱动的姿态骨架生成方面优于现有方法，实现了提高的稳定性和多样性。

Sep, 2024