本研究利用条件图像生成模型解决了3D动物姿态和形状估计中的标注数据不足问题，构建了包含一百万张图像的合成数据集GenZoo，并训练了高性能的3D姿态和形状回归模型。

本研究提出了一种可控合成方法，生成真实且保持地面真实度的图像，并创建了Gen-B数据集，从而提升了3D人类姿态和形状估计的准确性。

本研究分析了视频监控中3D人类姿态和形状估计的挑战，指出现有评价指标的不足。提出的新方法RotAvat改进了对齐过程，并在模型评估准确性上表现出显著潜力。

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。

该文介绍了一种名为HuMoR的3D人体运动模型，可以鲁棒地估计时间姿态和形状。该模型是一个条件变分自编码器生成模型，可以学习运动序列每一步姿态变化的分布。经过评估，证明该模型可以推广到多样化的动作和身体形状，并且可以从多种输入模态重建运动。