本研究提出了StableMotion方法，旨在解决运动捕捉数据中的视觉伪影问题。该方法通过运动质量指标有效训练模型，减少对高质量配对数据的依赖，从而显著降低运动伪影的出现。

本研究提出了EgoSim，一种新型身体佩戴相机模拟器，能够生成佩戴者身体各部位的自我中心渲染图像。EgoSim利用真实运动捕捉数据，显著提升了运动跟踪、身体姿态估计和动作识别的表现，尤其在下半身动作识别方面具有重要意义。

本文介绍了一种基于物理模型的3D人体运动推断方法，结合2D和3D姿态估计，通过物理轨迹优化提高动作的真实性和准确性。研究表明，该方法在多种场景下表现优越，尤其在姿势估计和运动捕捉方面显著改善了运动质量和物理可信度。

该研究提出了一种基于视频的真实人物动画生成方法，结合3D模型和神经网络技术，实现了高质量的人物渲染和编辑。通过强化学习和运动捕捉数据，生成可控的动态人物动画，提升了动画的一致性和细节保真度。

本研究提出了一种新方法，通过结合深度神经网络和运动捕捉数据，从单张图片中估计三维人体姿态。该方法采用无监督学习技术，利用2D骨架关节恢复3D姿势，无需多视图数据。实验结果显示，该方法在处理遮挡和复杂场景时准确性显著提高，具有广泛应用价值。

本文介绍了多种基于RGB和LiDAR技术的三维人体姿态估计方法，包括稀疏表面标记、单目摄像头和激光雷达的创新模型。这些方法通过多模态融合和自我监督学习，提高了运动预测的准确性和鲁棒性，尤其在实时应用中表现优异。最新的LiveHPS++方法在开放环境中实现了高精度的人体运动捕捉，树立了新的性能基准。

本文提出了一种基于核范数优化的运动捕捉方法，能够在无需特定相机或训练数据的情况下重建运动场景。研究表明，利用文本转换器进行视觉模仿学习在低数据情况下的表现优于传统方法。此外，提出的多视角变形器和视频识别框架在训练和推理速度上显著提升，适用于智能机器人和视频行为理解任务。