本研究提出Corr2Distrib，首个基于对应关系的方法，能够从RGB图像中估计6D相机姿态分布，有效解决视觉模糊引发的多种姿态问题，超越现有技术。

本研究提出了一种新型神经网络方法，成功解决零售机器人中简单形状产品的姿态估计问题，成功率达到77.3%，显著优于传统模型。

本研究提出了一种基于StyleGAN的面部图像姿势和表情迁移方法。该方法利用两个编码器和映射网络，将源图像的姿势和表情无缝转移到目标身份上，且无需人工标注，具有接近实时的性能。

本研究提出了一种基于姿态估计的跌倒检测系统，旨在提高辅助生活机构中老年居民的安全性。该系统无需额外传感器，能够在标准CPU上实时区分跌倒与非跌倒活动，显著降低误报率并保持高准确性。

本研究提出了Any6D框架，旨在解决新场景中未知物体的六维姿态估计问题。该方法仅需一张RGB-D锚图像，通过对象对齐过程显著提高了姿态准确性和规模估计，并在多个复杂数据集上表现优异。

本研究提出了一种新颖的概率性提示学习方法，旨在解决多物种动物姿态估计中的视觉多样性和不确定性问题。实验结果显示，该方法在多个动物姿态基准上表现优异，显著提升了跨物种的泛化能力。

本研究提出了一种新的视频生成模型PoseTraj，旨在解决现有模型在处理物体动态变化和复杂姿势时的3D理解不足问题。通过两阶段预训练和PoseTraj-10K数据集，显著提升了模型的姿态感知能力，实验结果表明其在轨迹准确性和视频质量上优于现有基线。

本研究提出了PoseSyn，一个创新的数据合成框架，旨在解决现有数据增强方法在真实场景中对复杂人类姿势适应性不足的问题。PoseSyn通过利用自然2D姿势数据生成多样的3D姿势图像对，显著提高了3D姿势估计器的准确性，最多可提升14%。

本研究提出了一种新方法，提升金属物体的六维姿态估计精度。通过构建兼容BOP的新数据集，包含不同光照和背景下的金属物体样本，研究表明几何和视觉线索能有效提高模型性能。改进后的GDRNPP算法在准确性上显著提升，验证了额外特征改善学习效果的假设。

本研究提出了一种新颖的视觉-触觉物体姿态跟踪器，解决了现有技术在真实环境中的不足。通过融合视觉和触觉输入，显著提高了在多样环境下的通用性和鲁棒性，实验结果表明其在复杂序列中的表现优于现有技术。

本研究提出了一种新方法Plane-DUSt3R，旨在解决多视角图像中的房间布局估计问题。该方法利用3D模型DUSt3R进行高效估计，效果优于现有技术。

Pose Studio 中文免费版是一款适合CG绘画爱好者的3D人物模型调整软件，支持多种3D模型格式，并可与IllustStudio和ComicStudioEX结合使用，方便绘画参考。

本研究提出了一种基于AMIS算法的快速可扩展姿态估计器，旨在解决工业应用中实时反馈的速度与准确性问题。该模型在四个基准数据集上表现优异，实现了推理时间与准确度的优化平衡。

本研究提出了MET-POSE框架，通过变形测试解决姿态估计系统测试中的高成本和低数据再利用性问题。该框架无需手动标注，能够有效评估系统在不同环境下的表现，揭示缺陷，并可根据需求调整测试规则。

本研究提出了一种新颖的典型域方法，解决了3D人体姿态估计中源域与目标域的差异，消除了额外微调的需求，显著提升了跨数据集的泛化能力。

本研究评估了三种先进的姿态转换模型在生成真实人类动作视频方面的表现，发现这些模型在动作识别和与参考视频一致性上存在局限性，尤其在训练数据分布外的动作和身份上表现较差。

本研究提出了一种无训练的FashionRepose管道，解决图像编辑中的非刚性变换问题，确保物体身份一致性，特别适用于时尚行业。该方法能够即时调整长袖服装的姿态，保留品牌属性，对时尚产业及其他领域具有重要影响。

本研究提出RE-POSE框架，旨在解决边缘设备实时物体检测中的计算资源限制和深度神经网络的高需求问题。通过强化学习驱动的动态聚类算法，优化了检测精度与延迟，并采用并行边缘卸载方案，显著提高了检测精度，减少了推理延迟，性能优于现有方法。

本研究提出了BioPose框架，解决了单摄像头图像中3D人体姿态估计的不足，能够准确预测生物力学3D姿态，实验结果优于现有方法。

本研究提出了一种均衡的连续多模态学习方法，解决了3D人体姿态估计中的模态不平衡和连续学习挑战。通过引入Shapley值贡献算法和降噪策略，提升了姿态估计性能，减轻了灾难性遗忘，实验结果表明该方法在复杂场景中表现优越，具有重要应用潜力。