本文提出了一种基于 Transformer 的模型，能够从单张图像中估算 3D 人体姿态和形状。该模型通过独立的 tokens 学习关节旋转、身体形状和位置信息，展现出强大的性能和高可迁移性。同时，研究提出了多种优化计算效率和准确性的方法，具有广泛的实际应用价值。