困境

• 遮挡
• 抖动
• 脚与地面

单目

• AiOS: All-in-One-Stage Expressive Human Pose and Shape Estimation，解决了遮挡问题
• PhysPT: Physics-aware Pretrained Transformer for Estimating Human Dynamics：引入物理模型
• HaMeR: 手部捕捉
• TRAM: 超越WHAM，可以实现高难度动作
• WHAC: 首个全身时序人体网格恢复，基于SMPLer-X

从视频中估计3D人体运动的方法已经取得了快速发展，但现有的方法仍存在一些关键局限性。
首先，大多数方法是在摄像机坐标系中估计人体。
其次，以前在全局坐标系中估计人体的工作通常假设地面是平坦的，导致产生脚滑的现象。
第三，最准确的方法依赖于计算成本高昂的优化流程，这限制了它们仅能应用于离线场景。
最后，基于视频的方法的准确性竟然不如单帧方法。我们通过WHAM（世界坐标系下具有准确运动的人体）来解决这些局限性，WHAM能从视频中准确高效地重建3D人体运动。在全局坐标系中。WHAM通过使用动作捕捉数据将2D关键点序列提升到3D，并将此与视频特征结合，整合运动上下文和视觉信息。WHAM利用从SLAM方法中估计的摄像机角速度以及人体运动来估计身体的全球轨迹。我们将此与一种接触感知轨迹细化方法相结合，使WHAM能够在各种条件下捕捉人体运动，如爬楼梯。WHAM在多个野外基准测试中超过了所有现有的3D人体运动恢复方法。

多目

• [XR]
• Easymocap: 引入三角测量

生成

• HUMANTOMA: 文字生成动作