该论文介绍了新型生成模型SMPLicit，能够联合表示人体姿势、形状和衣物几何形状，支持多种衣物拓扑结构的统一表示。研究提出了多种技术以解决布料操纵问题，并开发了ClothesNet数据集用于服装感知和机器人交互。通过自我监督学习和数据驱动方法，实现了动态服装建模，取得了优于现有技术的结果。

本研究提出了一系列创新的损失函数，通过自我监督学习从2D图像重建3D手势和人体姿势，显著提高了重建精度，减少了对手动标注的依赖。该方法利用多视角数据和弱监督学习，在多个数据集上表现优异，展示了在缺乏3D监督情况下有效重建的潜力。

GazeMotion是一种新方法，通过结合人体姿势和眼睛注视信息来预测人体动作。该方法在多个数据集上表现优异，关节位置误差平均改进7.4%。研究表明，眼睛注视对动作预测至关重要，且在感知逼真度方面超越了以往方法。

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。