该研究提出了名为WHAC的新框架，用于恢复人体姿势和形状估计。通过协同作用，该框架能够准确估计人体和摄像头在世界坐标系中的轨迹。实验证明该框架的优越性和效果。

本文介绍了一种无需训练目标场景数据的多相机3D行人检测方法。通过新的启发式方法，结合人体姿势和现有单目检测器的人物包围框，在地面平面上估计行人位置，并利用行人再识别模型对行人外貌进行选择性步骤。实验结果表明，该方法在WILDTRACK数据集上的MODA为0.569，F分数为0.78，优于现有通用检测技术。

本文通过实验证明了使用生成图像产生具有相同人体姿势的视觉上独特的图像，并提出了一种新颖的多正对比学习方法。该方法充分利用先前生成的图像来学习人体的结构特征。与最先进方法相比，GenPoCCL仅使用不到1%的数据量，但更有效地捕捉到人体的结构特征，在多种以人为中心的感知任务中超过了现有方法。

该研究提出了一种无需训练目标场景数据的多相机3D行人检测方法。通过新方法估计行人位置并投影到世界地面平面，同时利用行人再识别模型进行融合。实验结果表明，该方法在WILDTRACK数据集上优于现有通用检测技术，MODA为0.569，F分数为0.78。

该文介绍了一种新的框架，用于从野外视频中重建人体和场景，并提供新的人体姿势和视角渲染的方法。该方法能够从仅 10 秒的视频剪辑中学习特定主题的细节，并提供在新视角和新姿势下人体的高质量渲染和背景。

该文介绍了一种多相机 3D 行人检测方法，不需要使用目标场景的数据进行训练。该方法通过基于人体姿势和现成单目检测器的人物包围框的新启发式方法在地面平面上估计行人位置，并用新的团覆盖问题公式进行融合。实验结果表明，该方法在具有挑战性的 WILDTRACK 数据集上获得了较好的检测效果。

该研究提出了一种新的深度学习网络和迭代优化技巧来准确估计人体姿势，实验结果显示该方法在精度和效率方面优于现有技术。

本文介绍了PoseGraphNet++，一种新的二维到三维抬升图卷积网络，用于预测人体姿势。该模型通过节点和边的卷积，在多个基准数据集上评估，性能优于现有方法。消融研究证明了PoseGraphNet++从关节和骨骼之间的相互关系中获益。