{
  "paper_id": "ebddd9e83413c0b353d9cbf69af87b5a",
  "paper_title": "Deep Learning for 3D Human Pose Estimation and Mesh Recovery: A Survey",
  "paper_authors": [
    "Yang Liu",
    "Changzhen Qiu",
    "Zhiyong Zhang"
  ],
  "publication_date": "",
  "publication_venue": "Neurocomputing",
  "abstract": "3D human pose estimation and mesh recovery have attracted widespread research interest in many areas, such as computer vision, autonomous driving, and robotics. Deep learning on 3D human pose estimation and mesh recovery has recently thrived, with numerous methods proposed to address different problems in this area. In this paper, to stimulate future research, we present a comprehensive review of recent progress over the past five years in deep learning methods for this area by delving into over 200 references. To the best of our knowledge, this survey is arguably the first to comprehensively cover deep learning methods for 3D human pose estimation, including both single-person and multi-person approaches, as well as human mesh recovery, encompassing methods based on explicit models and implicit representations. We also present comparative results on several publicly available datasets, together with insightful observations and inspiring future research directions. A regularly updated project page can be found at <https://github.com/liuyangme/SOTA-3DHPE-HMR>.",
  "keywords": [
    "Human pose estimation",
    "3D human pose",
    "human mesh recovery",
    "human reconstruction",
    "deep learning",
    "literature survey"
  ],
  "paper_institutions": [
    "School of Electronics and Communication Engineering, Sun Yat-sen University, Shenzhen, Guangdong, China"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:15.064648Z",
  "template_tag": "deep_read",
  "summary": "# Deep Learning for 3D Human Pose Estimation and Mesh Recovery: A Survey\n\n\n**作者 / Authors:** Yang Liu, Changzhen Qiu, Zhiyong Zhang\n\n\n**单位 / Institutions:** School of Electronics and Communication Engineering, Sun Yat-sen University, Shenzhen, Guangdong, China\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2023\n\n\n\n**期刊/会议 / Publication Venue:** arXiv preprint (Sun Yat-sen University)\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## 模块A: 阅读对齐与输入验证\n\n### 1. 论文元数据\n\n- 标题: Deep Learning for 3D Human Pose Estimation and Mesh Recovery: A Survey\n- 作者:\n  - Yang Liu (中山大学电子与通信工程学院)\n  - Changzhen Qiu (中山大学电子与通信工程学院)\n  - Zhiyong Zhang (中山大学电子与通信工程学院)\n- 发表地点/渠道: arXiv 预印本（2023年），未标注期刊/会议级别，但内容覆盖2019-2023年主流会议论文。\n\n### 2. 研究定位\n\n- 研究领域: 计算机视觉、3D人体姿态估计与网格恢复\n- 具体任务: 综述深度学习方法在单人和多人3D姿态估计及基于显式模型和隐式表示的人体网格恢复中的进展\n- 目标用户/应用场景: 计算机视觉研究者、自动驾驶、机器人、虚拟现实、人机交互等领域的从业者\n\n### 3. 输入材料清单\n\n- PDF: 是（完整文本）\n- 附录/补充: 未提供\n- 代码链接: 是（项目页面：<https://github.com/liuyangme/SOTA3DHPE-HMR）>\n- 数据集链接: 文中列出多个数据集（如Human3.6M, 3DPW等），但未提供直接下载链接，仅写“Website”\n\n### 4. 缺失材料与风险\n\n- 缺失项: 附录、补充材料、各数据集的直接下载链接、部分引用文献的完整信息（如某些期刊名缺失）\n- 可能影响: 无法验证文中所有比较表的数据来源完整性；影响对具体实验细节的深入核查；但论文主体内容完整，对综述阅读影响较小。\n\n### 5. 阅读路线（3-6步）\n\n- 步骤1: 浏览摘要、引言（动机、范围）和结论，掌握综述的核心覆盖范围与主要贡献（第1、8节）\n- 步骤2: 快速浏览第2-3节的背景与总体框架，理解人体表示（SMPL等）和深度学习系统组件（第2-3节）\n- 步骤3: 深入阅读第4-5节，分别针对3D姿态估计（单人/多人）和网格恢复（模板/无模板）的分类与代表方法（第4、5节）\n- 步骤4: 查看第6节的评价指标和数据集，结合表3-6理解基准（第6节）\n- 步骤5: 总结第7-8节的应用和挑战，提炼开放问题与未来方向（第7-8节）\n\n### 分类合理性简述\n\n- 论文主要贡献是系统整理和对比近五年深度学习方法，提供分类体系和比较结果，属于典型的综述论文（survey）。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## 模块B：第一次泛读总览（First-pass Overview）\n\n### 1. 论文类型与类别（Paper type and category）\n\n- **类型**：综述论文（survey）\n- **子类型**：文献综述（literature survey），覆盖深度学习在3D人体姿态估计（3D HPE）和人体网格恢复（HMR）领域的最新进展。\n- **范围**：时间跨度为2019-2023年，涵盖计算机视觉主流会议和期刊的论文，引用超过200篇参考文献。\n\n### 2. 背景与研究背景（Context and research background）\n\n- **问题背景**：3D人体姿态估计与网格恢复是计算机视觉中的核心任务，广泛应用于自动驾驶、机器人、虚拟现实、人机交互等领域。传统方法（如基于MoCap）受限，深度学习成为主流。\n- **现有综述的不足**：已有综述（如[^17][^18]）侧重2D/3D姿态估计但忽视网格恢复；[^19]只专注显式模型；[^20]专注隐式渲染但不够全面。本文试图填补空白，首次同时覆盖单人/多人3D姿态估计和基于显式模型/隐式表示的网格恢复。\n- **传感器焦点**：本文聚焦RGB图像传感器，因为其场景适应性强、应用广泛（第2.1节）。\n\n### 3. 直观正确性检查（Intuitive correctness check）\n\n- **关键假设1**：RGB图像足以支撑3D姿态和网格恢复。**合理性**：虽然深度、RF等传感器也能提供3D信息，但RGB图像是最高效、最普适的，且大量方法已证明其可行性。\n- **关键假设2**：将人体表示分为显式模型（如SMPL）和隐式表示（如implicit functions、NeRF）能够全面覆盖现有方法。**合理性**：从论文分类（表1、表2）看，主流方法确实归入这两类，且覆盖了模板/非模板、显式/隐式的交叉。\n- **关键假设3**：深度学习框架可抽象为“数据采集→编码器-解码器→学习策略→输出表示”四部分（图3）。**合理性**：这是标准深度学习范式，适用于大多数HPE/HMR方法。\n- **总体判断**：假设合理，分类逻辑清晰，未发现明显矛盾。\n\n### 4. 核心贡献（Core contributions）\n\n1. **首次全面综述**：同时覆盖3D姿态估计（单人+多人）和网格恢复（显式模型+隐式表示），这是以往综述未做到的（第1.2节）。\n2. **纳入隐式表示**：特别强调隐式渲染（如NeRF、Gaussian Splatting）在HMR中的最新进展，领先于同类综述（第5.2节）。\n3. **系统性分类与比较**：提出完整taxonomy（图2），整理出两个表（表1、表2）对比大量方法，并在多个数据集（Human3.6M、3DPW等）上给出性能比较（表4-6）。\n4. **应用与挑战分析**：梳理了多个下游应用（第7节），并总结未来研究方向（第8节）。\n5. **开源项目页面**：提供持续更新的GitHub链接，方便研究者跟踪最新进展。\n\n### 5. 清晰度评估（Clarity assessment）\n\n- **结构**：逻辑清晰，章节组织合理：引言→背景→总览→姿态估计→网格恢复→评估→应用→挑战与结论，符合标准综述结构。\n- **图表**：图2的taxonomy直观，图3基本框架清晰，图4-8展示方法示意，表1-6丰富，但表3-6存在一些格式不齐（如某些表格列缺失），但总体可读。\n- **公式**：评估指标部分给出MPJPE、MPJAE、MPJLE、MPVPE的公式，简洁标准。\n- **可读性**：语言流畅，术语解释充分，对刚入门的研究者友好，但部分方法描述较简略，需要依赖参考文献。\n\n### 6. 继续或停止建议（Continue-or-stop recommendation）\n\n- **建议**：**继续阅读**。\n- **理由**：\n  1. 本文是当前最新、最全面的综述，覆盖了从经典到前沿的方法，适合建立领域整体认知。\n  2. 提供了详细的分类体系和对比结果，便于快速定位感兴趣的方法。\n  3. 对挑战和未来方向的讨论（第8节）具有启发性，适合寻找研究课题。\n  4. 虽然部分细节深度不足，但可通过参考文献深入细节。因此，建议继续进入第二轮精读（Module D），深入理解关键方法与比较。\n\n### 7. 结构大纲图（Structural outline diagram）\n\n```markmap\n# 3D HPE and HMR Survey\n## 1. Introduction\n  ### 1.1 Motivation\n  ### 1.2 Scope and Contributions\n## 2. Background\n  ### 2.1 Sensors (Active/Passive)\n  ### 2.2 Human Body Representation (SMPL, Implicit)\n## 3. Overview of Deep Learning Framework\n  ### 3.1 Components (Data, Encoder, Decoder, Learning)\n## 4. 3D Human Pose Estimation\n  ### 4.1 Single Person (Images, Videos)\n    #### 4.1.1 Direct vs 2D-to-3D Lifting\n    #### 4.1.2 Video-based Methods\n  ### 4.2 Multi-person (Top-down, Bottom-up)\n  ### 4.3 Summary\n## 5. Human Mesh Recovery\n  ### 5.1 Template-based\n    #### 5.1.1 Naked Body Recovery\n    #### 5.1.2 Detailed Body (Clothes, Hands, Whole Body)\n  ### 5.2 Template-free (Regression, Implicit, NeRF, Diffusion, Gaussian)\n  ### 5.3 Summary\n## 6. Evaluation\n  ### 6.1 Metrics (MPJPE, MPJAE, MPJLE, MPVPE)\n  ### 6.2 Datasets (Human3.6M, 3DPW, etc.)\n## 7. Applications\n  ### 7.1 Motion Retargeting\n  ### 7.2 Human Avatars\n  ### 7.3 Action Recognition\n  ### 7.4 Security Monitoring\n  ### 7.5 SLAM\n  ### 7.6 Autonomous Driving\n  ### 7.7 Human-Computer Interaction\n## 8. Challenges and Conclusion\n  ### 8.1 Speed\n  ### 8.2 Crowding and Occlusion\n  ### 8.3 Large Models\n  ### 8.4 More Detailed Reconstruction\n  ### 8.5 Environment Interaction\n  ### 8.6 Controllability and Animatability\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## 模块C1：论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n本论文旨在系统梳理和综述过去五年（2019-2023年）基于深度学习的3D人体姿态估计（3D Human Pose Estimation, 3D HPE）与人体网格恢复（Human Mesh Recovery, HMR）方法，覆盖单人/多人姿态估计以及基于显式模型/隐式表示的网格恢复，以填补现有综述在交叉覆盖范围和隐式表示应用上的空白（见第1.2节）。\n\n### 2. 痛点或不足\n\n- **现有综述覆盖不全**：过往综述或只关注2D/3D姿态估计（如[^17][^18]）、或只专注显式模型网格恢复（如[^19]）、或仅聚焦隐式渲染（如[^20]），缺乏同时涵盖单人与多人姿态估计以及显式/隐式网格恢复的全面综述（见第1.2节）。\n- **隐式表示方法未获足够重视**：近年隐式渲染（如NeRF、Gaussian Splatting）发展迅速，但已有综述未能全面覆盖最新的隐式方法及其在姿态估计和网格恢复中的应用（见第1.2节）。\n- **对应用和未来挑战探讨不足**：以往综述很少深入讨论这些技术在其它视觉任务中的应用以及未来开放挑战（见第1.2节）。\n- **多人和遮挡等实际问题仍难解决**：3D姿态估计和网格恢复面临多人场景、自遮挡、身体细节重建等显著挑战（见第1.1节）。\n\n### 3. 正式目标或优化目标\n\n本文是综述论文，不提出新的优化目标或损失函数。其核心目标是构建一个完整的分类体系（见第2节图2），并通过对大量方法的整理、分类和对比（见表1、表2、表4-6），为读者提供系统性的知识框架和未来研究方向。\n\n### 4. 成功标准（指标或期望属性）\n\n- **覆盖广度**：涵盖2019-2023年主流会议/期刊的超过200篇参考文献，首次同时覆盖单人/多人3D姿态估计和显式/隐式网格恢复（见第1.2节第(1)点）。\n- **分类合理性**：提出清晰的taxonomy（图2），将方法按不同维度（如单/多人、模板/无模板、隐式/显式）归类，便于读者理解（见第3节及表1、表2）。\n- **比较完整性**：在公开数据集（如Human3.6M、3DPW、MPI-INF-3DHP）上提供定性或定量对比结果，并附代码链接（见表4-6及项目页面）。\n- **未来方向指引**：明确指出速度、拥挤遮挡、大模型、更精细重建、环境交互、可控性与可动画性等挑战和开放问题（见第8节）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## 模块C2：哪些相关研究是重要的？\n\n### 1. 最强基线及比较轴\n\n- **最强基线**：在3D姿态估计方面，`VideoPose3D`（CVPR'19，扩张时间卷积+半监督）和`PoseFormer`（ICCV'21，时空Transformer）是图像/视频单人姿态估计的经典基线；在多人姿态估计方面，`AlphaPose`（TPAMI'22，top-down）和`SMAP`（ECCV'20，bottom-up）是代表性方法。\n- **比较轴**：以**输入模态**（单目、多视图、视频）、**回归范式**（直接回归、2D-to-3D提升、top-down/bottom-up、单阶段/两阶段）、**损失/监督方式**（全监督、弱监督、自监督、无监督）、**骨架/网格表示**（关键点、SMPL、隐式场）以及**性能指标**（MPJPE、PA-MPJPE、PCK、PVE等）作为主要比较轴（见第4、5、6节，特别是表4-6）。\n\n### 2. 最接近的方法及关键差异\n\n- **最接近方法**：现有的综述，例如[^17][^18]（侧重于2D/3D姿态估计）、[^19]（仅显式模型网格恢复）、[^20]（仅隐式渲染）——它们部分覆盖了本综述的范围。\n- **关键差异**：本文第一个**同时**涵盖单人和多人3D姿态估计，以及**同时**涵盖基于显式模型（SMPL等）和隐式表示（PIFu、NeRF等）的人体网格恢复，且系统整合了2019-2023年最新方法（第1.2节贡献(1)和(2)）。相比已有综述，本文还讨论了隐式表示与显式模型结合的趋势，以及应用与未来挑战（第7、8节）。\n\n### 3. 正交方向\n\n- **传感器与输入**：除RGB外，主动传感器（MoCap、ToF、RF）和IMU/深度等被动传感器构成正交研究方向（第2.1节）。\n- **应用层**：动作识别、重识别、SLAM、自动驾驶、人机交互等下游任务与核心估计方法相互促进（第7节），属于正交的应用方向。\n- **模型效率与服务**：模型量化、剪枝、知识蒸馏以及边缘设备部署（第3节、第8节“Speed”）是独立于精度提升的正交优化维度。\n\n### 4. 本文定位的一句话概括\n\n本文是一部覆盖3D人体姿态估计（单人/多人）与网格恢复（显式/隐式）最新深度学习方法、并给出基准比较和未来方向的系统性综述，填补了现有综述在“单人与多人兼顾、显式和隐式表示并重”方面的空白。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## 模块C3：论文如何解决问题\n\n### 1. 分类体系或分类框架概述\n\n该综述提出了一套系统的分类体系（taxonomy），用于组织近五年（2019-2023）深度学习方法在3D人体姿态估计（3D HPE）和人体网格恢复（HMR）中的进展。总览如图2所示（原文Fig.2），整个框架分为两大主线：\n\n- **3D人体姿态估计（3D HPE）**：根据目标数量分为单人和多人；单人进一步按输入类型（图像/视频）划分，多人按策略（自顶向下/自底向上/其他）划分。\n- **人体网格恢复（HMR）**：根据表示模型分为基于模板（参数化）和免模板（非参数化）方法；免模板又细分为回归式、优化式、隐式表示、神经辐射场（NeRF）、扩散模型等。\n\n该分类体系覆盖了从输入传感器到输出表示的完整深度学习系统（见第3节Fig.3），并针对每类方法总结了其解决的核心问题（如深度歧义、遮挡、数据不足等）。\n\n### 2. 主要分类轴或比较维度\n\n分类轴主要包括：\n\n- **目标数量**：单人 vs 多人（第4节）。\n- **输入类型**：图像 vs 视频（第4.1节）。\n- **估计策略**：直接估计 vs 2D到3D提升；多人中为自顶向下 vs 自底向上（第4.2节）。\n- **表示模型**：基于模板（SMPL、SMPL-X等） vs 免模板（隐式函数、NeRF、高斯泼溅等）（第5节）。\n- **学习策略**：全监督、弱监督、无监督、自监督、半监督、元学习、数据增强等（第3节及各处）。\n- **处理的问题动机**：解决深度歧义、理解身体结构、解决遮挡、解决数据缺乏、实时性等（见表1和表2中的Motivations列）。\n\n### 3. 代表性工作分组及其重要性\n\n#### 3D姿态估计分组（表1）\n\n- **单人-图像**：分为解决深度歧义（如VI-HC、Ray3D、HEMlets）、解决身体结构理解（如JRAN、图神经网络系列）、解决遮挡（多视角方案）、解决数据缺乏（无监督/自监督/弱监督/迁移学习）。\n- **单人-视频**：克服单帧限制（视频时序建模）、实时性（稀疏采样）、身体结构理解（运动损失、骨骼感知）、遮挡（光流一致、多视角）、数据缺乏（无监督/弱监督/元学习/数据增强）。\n- **多人**：自顶向下（检测+估计）、自底向上（估计+关联）以及混合方法（如同时采用两种策略的Cheng et al.）。\n\n#### 网格恢复分组（表2）\n\n- **基于模板（参数化）**：分为裸体重建（覆盖多模态输入、注意力机制、时序信息、多视角、效率提升、特征表示、结构信息、学习策略等子类）和细节重建（带衣物、手部、全身）。\n- **免模板（非参数化）**：包括回归式方法（如FACSIMILE）、基于可微渲染的优化方法（如DiffPhy）、隐式表示（PIFu系列、ARCH等）、NeRF（如ActorsNeRF）、扩散模型（HMDiff），以及结合隐式与显式参数的方法（如ICON、ECON）、NeRF+显式、高斯泼溅+显式等。\n\n该分组的重要性在于：\n\n- 清晰地映射了该领域的研究脉络和演进方向；\n- 突出了各类方法解决的核心瓶颈（如模板方法的细节不足、隐式方法的鲁棒性问题）；\n- 为读者定位具体方法提供了索引（按表1和表2快速查找）。\n\n### 4. 分类图（mermaid flowchart TD）\n\n```mermaid\nflowchart TD\n  A[\"深度学习方法\n3D HPE 与 HMR\"] --> B[\"3D人体姿态估计\n(3D HPE)\"]\n  A --> C[\"人体网格恢复\n(HMR)\"]\n\n  B --> B1[\"单人\"]\n  B --> B2[\"多人\"]\n\n  B1 --> B1a[\"图像\"]\n  B1 --> B1b[\"视频\"]\n  B2 --> B2a[\"自顶向下\"]\n  B2 --> B2b[\"自底向上\"]\n  B2 --> B2c[\"其他（单阶段/混合）\"]\n\n  C --> C1[\"基于模板（参数化）\"]\n  C --> C2[\"免模板（非参数化）\"]\n\n  C1 --> C1a[\"裸体重建\"]\n  C1 --> C1b[\"细节重建（衣物/手/全身）\"]\n\n  C2 --> C2a[\"回归式\"]\n  C2 --> C2b[\"优化式（可微渲染）\"]\n  C2 --> C2c[\"隐式表示\"]\n  C2 --> C2d[\"神经辐射场(NeRF)\"]\n  C2 --> C2e[\"扩散模型\"]\n  C2 --> C2f[\"隐式+显式参数\"]\n  C2 --> C2g[\"NeRF+显式\"]\n  C2 --> C2h[\"高斯泼溅+显式\"]\n```\n\n**说明**：该图基于原文Fig.2的taxonomy以及第4、5节的详细分类生成，涵盖所有主要分支。\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## 模块C4：数据集、基准与评估/实验设置\n\n### 1. 数据集覆盖\n\n本综述在第6.2节（表3）系统梳理了主流的公开数据集，覆盖了3D姿态估计与人体网格恢复两大类任务所需的数据类型。按类型可分为：\n\n- **3D姿态/网格标注的视频数据集**：Human3.6M（360万帧，多视角RGB+ToF，室内，3D姿态和网格标注）、3DPW（5.1万帧，手持相机+IMU，室外多人场景）、HumanEva（约4万帧，多视角）、CMU-Panoptic（150万帧，511个校准相机，多视角多人）、MPI-INF-3DHP（2K视频，室外，13关键点）、SURREAL（600万帧合成人体，提供深度、分割、2D/3D姿态和网格）。\n- **图像数据集**：MuCo-3DHP（合成多人遮挡训练集，8K图像）、3DOH50K（5.16万张物体遮挡图像）、DensePose（5万张COCO图像，含稠密对应）、UP-3D（约8K运动场景图像，带SMPL拟合质量标注）、THuman2.0（7K RGBD图像，含纹理表面网格）。\n- **网格/运动数据集**：3DCP（190个自接触网格，基于AMASS）、AMASS（1.1万个动作序列，40+小时，提供SMPL参数）。\n\n上述数据集覆盖了室内/室外、单/多人、遮挡/无遮挡、真实/合成、姿态/网格、单目/多视角等不同维度，代表了该领域评估的常用基准集合。\n\n### 2. 基准覆盖与组织方式\n\n综述以任务为主线组织基准使用：\n\n- **3D姿态估计**：以Human3.6M为最主流基准（表4，列出20种方法），并以MPI-INF-3DHP（表5，11种方法）和3DPW（用于网格恢复，表6）作为补充。\n- **网格恢复**：采用Human3.6M与3DPW的联合评测（表6，包含MPJPE、PA-MPJPE、PVE等指标），覆盖了单人和多人、室内和室外场景。\n- 所有比较表均标注方法、年份、发表期刊/会议、关键技术亮点，并给出代码链接（多数有Code字段）。\n- 数据集表格（表3）不仅给出规模与特征，还列出下载链接（统一记为“Website”）。\n\n### 3. 评估协议覆盖与潜在不一致\n\n- **主要指标**：MPJPE、PA-MPJPE、MPJAE、MPJLE、PCK、AUC、MPVPE（即PVE/V2V）等，公式在6.1节给出。\n- **协议差异**：不同论文在关节定义（如17、14个关键点）、坐标规范化（是否Procrustes对齐）、骨骼长度归一化等方面存在差异；在3DHP数据集上同时报告MPJPE、PCK和AUC，但人类3.6M上主要报告MPJPE和P-MPJPE。综述未显式讨论各方法内部协议的不统一之处，仅直接引用原文数值，可能存在因预处理/对齐方式不同导致的比较偏差。\n- **数据集划分**：综述未详细说明各方法的训练/测试集划分（如Subject/S2等），也未提及跨数据集评估的设置。\n\n### 4. 覆盖选择的意义\n\n- **为什么选这些数据集**：Human3.6M是3D姿态估计的长期标准，提供大规模受控多视角数据；3DPW是户外真实场景+IMU的挑战基准，用于评估在野泛化；MPI-INF-3DHP补充室外小数据集；CMU-Panoptic提供极多视角用于弱监督；SURREAL提供合成大规模数据；3DOH50K和MuCo-3DHP聚焦遮挡和多人；UP-3D、THuman2.0等弥补网格细节和真实表面。\n- **这些覆盖验证了什么**：\n  - 方法在受控环境（Human3.6M）上的精度上限；\n  - 在真实场景（3DPW）中的鲁棒性与泛化能力；\n  - 对遮挡和多人交互的适应能力（MuCo-3DHP、3DOH50K）；\n  - 对合成数据的依赖（SURREAL）及无监督/弱监督方法的可行性。\n- **局限性**：缺少对数据偏差（如肤色、服装多样性）和协议不一致的讨论，可能影响跨论文比较的公平性。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## 模块C5: 指标与结果\n\n### 1. 指标（定义与简要说明）\n\n该综述系统总结了3D人体姿态估计与网格恢复领域的核心评价指标（第6.1节），主要包括：\n\n- **MPJPE (Mean Per Joint Position Error)**：计算预测关节坐标与真值之间的L2距离（单位：毫米），是3D姿态估计最常用的指标。公式：\n\n $$ MPJPE = \\frac{1}{N} \\sum_{j=1}^{N} \\|p_j - p_j^*\\|_2 $$\n\n- **MPJAE (Mean Per Joint Angle Error)**：度量关节角度的误差，在三维中计算，考虑±180度模运算。公式：\n\n $$ MPJAE = \\frac{1}{3N} \\sum_{j=1}^{3N} |(r_j - r_j^*) \\bmod \\pm 180| $$\n\n- **MPJLE (Mean Per Joint Localization Error)**：通过可调阈值t判断关节定位是否正确，更注重感知上的准确性。公式：\n\n $$ MPJLE = \\frac{1}{N} \\sum_{j=1}^{N} \\mathbb{1}_{\\|l_j - l_j^*\\|_2 \\geq t} $$\n\n- **PA-MPJPE (Procrustes-aligned MPJPE)**：进行Procrustes对齐后计算的MPJPE，消除旋转和尺度影响，用于评估姿态形状而非绝对位置。\n\n- **N-MPJPE (Normalized MPJPE)**：归一化后的MPJPE，适应不同骨骼长度或尺度。\n\n- **3D PCK (Percentage of Correct Keypoints)**：预测关键点与真值距离小于预设阈值的比例，阈值通常随骨骼长度变化。\n\n- **3D AUC (Area Under the Curve)**：PCK随阈值变化曲线的面积，综合反映精度。\n\n- **MPVPE (Mean Per Vertex Position Error)**：计算预测网格顶点与真值之间的L2距离，也称为V2V或PVE，用于评估网格恢复质量。\n\n### 2. 代表性工作的比较模式\n\n综述在表4、表5、表6中汇总了不同方法在标准数据集上的结果，呈现以下比较模式：\n\n- **姿态估计（表4，Human3.6M）**：比较MPJPE和PA-MPJPE，涵盖单人和视频方法。例如：\n  - Graformer (CVPR'22) MPJPE=35.2\n  - GLA-GCN (ICCV'23) MPJPE=34.4, PA-MPJPE=37.8\n  - FTCM (TCSVT'23) MPJPE=28.1\n  - MTF-Transformer (TPAMI'22) MPJPE=26.2（最佳）\n  - VideoPose3D (CVPR'19) MPJPE=46.8（基线）\n\n- **MPI-INF-3DHP（表5）**：同时报告MPJPE、PCK、AUC，体现野外场景性能。STCFformer (CVPR'23) 在MPJPE=23.1、PCK=98.7、AUC=83.9上最优，显著优于早期方法。\n\n- **网格恢复（表6，Human3.6M与3DPW）**：比较MPJPE、PA-MPJPE和PVE。在3DPW上，PLIKS (CVPR'23) 达到PVE=73.3，MotionBERT (ICCV'23) 达到PA-MPJPE=40.6，表现突出。\n\n方法间的比较呈现明显层次：Transformer和GCN架构通常优于传统CNN；结合时序信息的方法优于单帧方法；显式+隐式结合的方法在细节恢复上更佳（如ECON、PaMIR）。\n\n### 3. 共识与分歧\n\n### 共识方面：\n\n- 深度学习方法已全面主导3D姿态估计和网格恢复，传统优化方法（如SMPLify）在端到端学习中逐渐边缘化。\n- MPJPE、PA-MPJPE、PVE是最广泛接受的评价指标，所有主流方法均报告这些指标以便对比。\n- 多视角方法（如MTF-Transformer）可有效缓解遮挡，普遍被认为优于单视角方法（第4.1.1节）。\n- 时序信息对视频任务至关重要，几乎所有高性能视频方法都利用时序依赖（如VIBE、TCMR）。\n\n## 分歧方面：\n\n- 显式模型（如SMPL）与隐式表示（如PIFu、NeRF）之间的灵活性/稳健性权衡（第5.3节）：显式模型稳健但细节有限，隐式模型灵活但不稳定。\n- 自顶向下与自底向上的多人姿态估计各有优劣（第4.3节）：自顶向下依赖检测精度，自底向上难以处理尺度过小的行人。\n- 监督策略分歧：全监督仍需大量3D标注，而自监督、弱监督方法虽降低了标注成本，但性能差距仍存争议（如Elepose等无监督方法在MPJPE上明显不如全监督）。\n\n### 4. 基准解读与证据强度\n\n- **基准多样性**：表3列出13个主流数据集，涵盖室内多视角（Human3.6M）、野外单目（3DPW、MPI-INF-3DHP）、拥挤场景（MuCo-3DHP）、遮挡（3DOH50K）、合成数据（SURREAL）等。不同基准的挑战各异，单一数据集无法全面评估方法。\n\n- **证据强度**：\n  - Human3.6M是历史最悠久的基准，但室内背景、固定场景限制了泛化性；3DPW作为野外基准，结果差异更能反映实际性能，但标注依赖IMU，采样偏差可能影响公平性。\n  - 综述给出的比较表（表4-6）未提供置信区间或统计显著性检验，且部分方法在不同数据集上的表现不一致（如FTCM在Human3.6M上MPJPE低至28.1，但3DPW上未报告）。\n  - 结果来源多为原论文，不同方法使用的实验设置（如输入分辨率、帧数）可能不同，直接对比需谨慎。\n\n- **结论强度**：基于这些基准，可以稳健地认为基于Transformer和时序建模的方法在多数任务上优于早期方法，但在极端遮挡、多人交互和动态场景中仍存在明显挑战（第8节）。证据强度中等，因缺乏跨方法的严格同条件复现，且部分最新方法（如GA3D等）仅在特定数据集上报告。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## 模块C6：未来可探索方向\n\n### 理论方向\n\n- **鲁棒性与灵活性权衡的统一框架**：论文指出显式模型（如SMPL）鲁棒但缺乏细节，隐式模型（如NeRF、隐式函数）灵活但稳定性不足（第5.3节总结）。未来可探索一种统一的概率或混合表示，在数学上构建显式与隐式之间的连续桥接，例如在变分自编码器或扩散模型中引入可学习的拓扑先验，从而同时保证物理合理性与表面细节。\n- **多任务与多模态融合的理论基础**：现有方法多为单任务或简单多任务（第4.3节提及单阶段端到端是趋势），可深入研究姿态估计、网格恢复、动作识别等任务间的共享表示理论，例如基于信息瓶颈或因果推断，以提升泛化能力。\n- **物理约束的深层嵌入**：论文提到动态物理-几何一致性（[^33]）和可微物理模型（[^191]），未来可在理论层面将人体运动学、动力学方程直接嵌入网络损失或架构中，而非作为后处理，以解决姿态歧义和遮挡问题。\n\n### 工程方向\n\n- **端侧实时性优化**：论文第8章“Speed”强调边缘计算（ARM处理器）需求，未来可研究模型剪枝、量化、知识蒸馏与神经架构搜索在3D人体姿态估计与网格恢复中的专用方案，如为Transformer设计稀疏注意力或动态token剪枝（参考TORE [^149]）。\n- **大规模预训练与微调**：借鉴语言和视觉基础模型（如GPT-4、SAM），构建面向3D人体理解的大规模预训练模型，并开发高效的领域适配（如域自适应、少样本微调）工具包，降低数据集依赖（第8章“Large Models”）。\n- **可交互系统与工具链**：从论文第7章应用看，需开发集成了姿态估计、网格恢复、跟踪、重定向的端到端系统，并支持实时交互（如AR/VR），工程上需解决多传感器融合、多线程流水线、内存管理等问题。\n\n### 数据与评估方向\n\n- **数据集多样性扩展**：现有数据集多集中于裸体或简单衣物、单人或少量人、室内或简单室外（表3），未来需构建包含密集人群、复杂遮挡、多样服装、动态场景、多视角同步、物理交互（如手-物、人-人）的大规模数据集，并标注更丰富属性（如接触、力、材质）。\n- **评估指标完善**：除MPJPE、PA-MPJPE、PVE等，需引入感知指标、物理合理性指标（如穿透率、步态一致性）、时间一致性指标，并设计综合评分体系，避免单一数值偏差（第6.1节）。\n- **域自适应与仿真数据利用**：论文回顾了多种无监督/弱监督方法，未来可发展基于仿真的预训练+真实数据微调范式，利用SURREAL等合成数据生成的多样性，同时研究域随机化和测试时自适应（如CycleAdapt [^171]）以弥合sim-to-real差距。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n### 模块C7：实际部署中的应用形态\n\n#### 1. 部署约束\n\n- **硬件平台差异**：文中指出多数方法在GPU上实现实时性能，但实际应用中需要部署到边缘计算平台（如智能手机的ARM处理器），性能差距明显（第8节“Speed”部分）。\n- **传感器依赖**：本文聚焦基于RGB图像传感器的方法（第2.1.2节），主动传感器（MoCap、ToF）受限于室内环境且可能相互干扰，仅适用于协作目标（第2.1.1节），部署场景受限。\n- **多视角需求**：部分方法依赖多视角设置（如第4.1.1节“Solving Occlusion Problems”），需要校准相机，增加部署复杂度。\n\n#### 2. 计算/延迟影响\n\n- **实时性挑战**：视频处理方法（如第4.1.2节“Solving Real-time Problems”）引入额外计算开销，影响实时处理。例如，MTF-Transformer（第4.2.1节）在12相机配置下达到150FPS，但多相机部署增加硬件成本。\n- **模型复杂度与效率**：Transformer架构（如METRO、Graphormer）虽精度高但内存和计算需求大；FastMETRO等旨在降低开销（第5.1.1节“Boosting Efficiency”）。SCOPE利用稀疏约束实现30FPS以上实时性能（第5.1.1节）。\n- **推理延迟与硬件限制**：边缘设备（ARM）与GPU差异大，需要模型压缩（知识蒸馏、剪枝、量化）来适应部署（第3节“第三”）。\n\n#### 3. 鲁棒性/安全性问题\n\n- **遮挡与拥挤场景**：多人、遮挡是长期挑战（第8节“Crowding and Occlusion Challenges”），当前方法仍不完善，影响安全关键应用（如自动驾驶）。\n- **深度歧义与自身遮挡**：单目图像存在深度歧义（第4.1.1节），无遮挡时性能下降。\n- **数据集偏差**：训练数据多来自室内（如Human3.6M），泛化到野外场景（如3DPW）存在风险；合成数据（SURREAL）可能引入偏差（第6.2节）。\n- **安全风险**：在监控、自动驾驶中，姿态估计错误可能造成误判或事故；需考虑对抗攻击（如遮挡欺骗）。\n\n#### 4. 可维护性\n\n- **持续更新**：作者提供项目页面（<https://github.com/liuyangme/SOTA3DHPE-HMR>）定期更新，便于跟踪最新方法（第1.2节）。\n- **代码与复现**：论文未提供统一代码库，各方法代码分散，维护成本高；部分表格代码列显示“Code”链接，但未必完整。\n- **依赖与文档**：方法依赖特定数据集（如AMASS、THuman）和预训练模型，环境配置复杂；需要详细文档支持。\n- **社区支持**：作为综述，方法多样，缺少统一标准，部署选型需用户自行比对。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## 简洁总结\n\n本综述系统梳理了近五年（2019-2023年）基于深度学习的3D人体姿态估计与网格恢复方法，涵盖单人/多人姿态估计及基于显式模型与隐式表示的网格恢复，引用超过200篇文献。文章首先介绍传感器与人体表示（如SMPL、隐式渲染），随后建立深度学习系统的基本框架（数据、编码器-解码器、学习策略、输出表示）。在姿态估计部分，论文按单人与多人、图像与视频分类，重点讨论了深度模糊、遮挡、数据缺乏等核心挑战的解决思路。在网格恢复部分，论文对比了模板化（参数化）与无模板（非参数化）方法的优劣，并特别强调了隐式表示（如PIFu、NeRF）和显隐结合方法的进展。评测部分总结了MPJPE、MPJAE、MPVPE等指标及Human3.6M、3DPW等常用数据集，并给出了代表性方法的性能对比。最后，论文指出了速度、拥挤遮挡、大模型、细节重建、环境交互、可控性与可动画性等未来研究方向。\n\n## 五个关键要点\n\n1. **全面分类体系**：首次将3D人体姿态估计（单人与多人）与网格恢复（显式与隐式模型）纳入统一框架，提供了系统的分类学（图2）与对比表格（表1-6）。\n2. **隐式表示的重要性**：与以往综述不同，本文着重分析了隐式表示（如PIFu、NeRF、3D高斯泼溅）在细节重建中的潜力，并指出显隐结合是平衡鲁棒性与细节的有效途径（第5.2节、第8节）。\n3. **学习策略的多样性**：为了缓解3D标注数据稀缺，文中系统总结了无监督、自监督、弱监督、半监督、元学习、迁移学习及数据增强等策略在不同任务中的应用（第4.1.1和4.1.2节）。\n4. **多视角与时间信息是应对遮挡的关键**：多视角三角化、时域一致性约束（如光流）可有效缓解单视角的遮挡和深度模糊问题（第4.1.1和4.1.2节）。\n5. **未来方向聚焦效率与大模型**：速度优化（边缘设备）、拥挤场景、大模型融合、细粒度重建、环境交互和可动画性被认为是亟待突破的挑战（第8节）。\n\n## 核心公式或机制\n\n评价指标MPJPE是人体姿态估计最常用的误差度量，定义为预测关节与真实关节坐标之间的平均L2距离：\n\n\\[ \\text{MPJPE} = \\frac{1}{N} \\sum_{j=1}^{N} \\| p_j - p_j^* \\|_2 \\]\n\n其中 \\(p_j\\) 和 \\(p_j^*\\) 分别是第 \\(j\\) 个关节的真实和预测3D坐标，\\(N\\) 为关节总数。该公式（见第6.1节）量化了姿态估计的精度，是多个数据集（如Human3.6M）上比较方法性能的核心基准。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## 模块D：第二遍阅读理解\n\n### 1. 分类结构（Taxonomy）\n\n本文构建了一个层次化的分类体系，将3D人体姿态估计（HPE）和人体网格恢复（HMR）方法按任务与表示方式划分。核心分类如下：\n\n- **3D人体姿态估计**（第4节）\n  - 按目标数分为**单人**与**多人**。\n    - 单人：再按输入模态分为**图像**与**视频**。\n      - 图像：按需解决的挑战进行再划分：解决深度模糊、解决身体结构理解、解决遮挡问题、解决数据缺乏。\n      - 视频：同样按挑战划分：解决单帧限制、解决实时问题、解决身体结构理解、解决遮挡问题、解决数据缺乏。\n    - 多人：按流程范式分为**自顶向下（Top-down）**、**自底向上（Bottom-up）**以及**其他**（单阶段或混合方法）。\n      - 自顶向下：再次按挑战（实时、表示限制、遮挡、数据缺乏）划分。\n      - 自底向上：按挑战（实时、监督限制、数据缺乏、遮挡）划分。\n- **3D人体网格恢复**（第5节）\n  - 按表示模型分为**基于模板（参数化）**与**无模板（非参数化）**。\n    - 基于模板：细分为**裸体人体恢复**（再分为多模态、注意力机制、时间信息、多视图、效率提升、多样化表示、结构信息、学习策略等子类）和**详细人体恢复**（再分为带衣物、带手、全身）。\n    - 无模板：细分为**回归式**、**基于优化的可微渲染**、**隐式表示**、**神经辐射场（NeRF）**、**扩散模型**，以及**隐式+显式结合**（如隐式+参数、扩散+参数、NeRF+显式、高斯溅射+显式）等。\n\n分类体系完整覆盖2019-2023年主流方法，并在图2中给出了可视化分类树。\n\n### 2. 代表性聚类及划分依据\n\n论文依据**解决问题的切入点**和**技术路线**将方法聚类：\n\n- **姿态估计中的深度模糊**：聚类于利用光学成像原理（如VI-HC、Ray3D）和特征表示（HEMlets）解决2D到3D的投影歧义。\n- **身体结构理解**：聚类于利用关节关系、肢体感知、图神经网络（如JRAN、Wu et al.、Modulated-GCN、RS-Net）等方法，将人体先验作为约束。\n- **遮挡处理**：多视图方法（如learnable-triangulation、RPSM）在姿态估计中独立成簇；在网格恢复中则通过注意力（PARE）或隐式表示（如3DNBF）解决。\n- **数据缺乏**：聚类于无监督、自监督、弱监督、少样本学习、迁移学习、元学习及数据增强等策略（如Kudo et al.、EdaPose、Adaptpose）。\n- **视频时序建模**：聚类于利用时间序列（如VideoPose3D、PoseFormer、MixSTE）和实时性优化（时间稀疏采样、空间-时间稀疏采样）。\n- **多人场景**：按自顶向下（检测-估计）与自底向上（估计-关联）划分，并指出单阶段端到端趋势。\n- **网格恢复中的表示扩展**：基于SMPL系列（裸体、带衣物、带手、全身）的显式扩展，以及隐式表示（PIFu、ARCH）和NeRF、Gaussian Splatting等新代表。\n\n划分依据核心是**方法所针对的核心挑战或设计动机**，并辅以输入模态、模型结构（CNN/Transformer/GCN）等维度。\n\n### 3. 重要图表解释\n\n#### 图3：深度学习3D HPE与HMR的基本框架\n\n该图展示了通用pipeline：\n\n- **输入**：RGB图像、深度图、RF、IMU等。\n- **编码器-解码器**：编码器（ResNet、HRNet）提取特征，解码器（MLP、Transformer）输出3D姿态与网格。\n- **学习策略**：监督/弱监督/无监督/少样本，知识蒸馏、剪枝、量化等。\n- **输出表示**：关键点、网格、体素等。\n该框架统领全文，后续方法均可在其中定位。\n\n#### 图4：单人3D姿态估计的两种典型方法\n\n(a)直接估计：直接从输入回归3D姿态。(b)2D到3D提升：先检测2D关键点，再提升到3D。该图直观区分了两种技术路线。\n\n#### 图5：深度歧义、图表示、迁移学习\n\n(a)深度歧义解释了投影的不适定性；(b)图表示展示了人体骨骼图的节点-边结构；(c)迁移学习说明跨域重用。这些为后文的方法分类提供了动机。\n\n#### 图6：多人3D姿态估计\n\n区分自顶向下（检测+估计）与自底向上（估计+关联）两条框架。\n\n#### 图7：基于模板与无模板的网格恢复\n\n(a)基于模板：估计模型参数（如SMPL）。(b)无模板：直接回归或隐式重建。\n\n#### 图8：NeRF与3D高斯溅射\n\n展示了两种新渲染技术的基本原理，用于无模板网格恢复。\n\n### 3. 比较表解读与覆盖结构\n\n论文包含6个表格：\n\n- **表1**：3D姿态估计方法概览。按单人/多人、图像/视频、挑战类别组织，列出代表方法。覆盖了深度模糊、结构理解、遮挡、数据缺乏等条目。\n- **表2**：网格恢复方法概览。按模板/无模板、细分类别组织，覆盖裸体、详细、隐式等。\n- **表3**：主流数据集概览。列出类型、数据模态、帧数、特征，显示数据集多样性（如Human3.6M、3DPW、SURREAL等）。\n- **表4**：Human3.6M上的3D姿态估计比较。列出方法、年份、发表处、亮点，MPJPE和PA-MPJPE（单位mm）。\n- **表5**：MPI-INF-3DHP上的3D姿态估计比较。列出MPJPE、PCK、AUC。\n- **表6**：网格恢复方法在Human3.6M和3DPW上的比较。列出MPJPE、PA-MPJPE、PVE。\n\n这些表格覆盖了**数据基准**、**姿态估计**、**网格恢复**三个层面，横向涵盖主流会议/期刊（CVPR、ICCV、ECCV、TPAMI等），纵向展现时间演进。比较表的结构统一为：方法、年份、发表地、亮点、指标、代码链接，便于读者横向对比。\n\n### 4. 综述综合示意图（深读）\n\n以下文本图概括了论文的整体知识结构：\n\n```text\n深度学习3D HPE与HMR\n├── 3D姿态估计 (Sec.4)\n│   ├── 单人 (Sec.4.1)\n│   │   ├── 图像\n│   │   │   ├── 深度模糊 → 光学感知、特征表示 (VI-HC, Ray3D, HEMlets)\n│   │   │   ├── 结构理解 → 关节感知、图网络、方向关键点 (JRAN, Modulated-GCN, RS-Net)\n│   │   │   ├── 遮挡 → 多视图、学习三角化 (Iskakov et al., RPSM)\n│   │   │   └── 数据缺乏 → 无/自/弱监督、迁移学习 (Kudo, Elepose, Adaptpose)\n│   │   └── 视频\n│   │       ├── 单帧限制 → 时空Transformer (PoseFormer, MixSTE)\n│   │       ├── 实时 → 稀疏采样 (Einfalt et al., MixSynthFormer)\n│   │       ├── 结构 → 运动损失、动力学图 (Wang et al., DG-Net)\n│   │       ├── 遮挡 → 光流一致性、多视图 (Cheng et al., MTF-Transformer)\n│   │       └── 数据缺乏 → 无/弱/半/自监督、元学习、增强 (Yu et al., P-STMO)\n│   └── 多人 (Sec.4.2)\n│       ├── 自顶向下 → 检测+估计 (AlphaPose, VoxelTrack)\n│       ├── 自底向上 → 估计+关联 (MubyNet, HMOR)\n│       └── 其他 → 单阶段、混合 (Jiu et al., Cheng et al.)\n└── 网格恢复 (Sec.5)\n    ├── 基于模板 (Sec.5.1)\n    │   ├── 裸体\n    │   │   ├── 多模态 → DTS-VIBE, CLIFF\n    │   │   ├── 注意力 → PARE, Mesh Graphormer, FastMETRO\n    │   │   ├── 时间信息 → VIBE, TCMR, GLoT\n    │   │   ├── 多视图 → Dong et al., Sengupta et al.\n    │   │   ├── 效率 → SCOPE, BMP, HeatER\n    │   │   ├── 表示 → TexturePose, DSTformer\n    │   │   ├── 结构 → Holopose, HybrIK, SGRE\n    │   │   └── 学习策略 → SPIN, ReFit, CycleAdapt\n    │   └── 详细\n    │       ├── 带衣物 → MGN, BCNet\n    │       ├── 带手 → SGNify, TwoHands\n    │       └── 全身 → ExPose, PyMAF-X, OSX\n    └── 无模板 (Sec.5.2)\n        ├── 回归 → FACSIMILE, GTA\n        ├── 优化 → DiffPhy, AG3D\n        ├── 隐式表示 → PIFu, ARCH, GeoPIFu\n        ├── NeRF → ActorsNeRF\n        ├── 扩散 → HMDiff\n        ├── 隐式+显式 → ICON, ECON, PaMIR\n        ├── 扩散+显式 → DINAR\n        ├── NeRF+显式 → TransHuman\n        └── 高斯溅射+显式 → Animatable 3D Gaussian\n```\n\n该图依据论文章节与分类树绘制，概括了各细分领域及其代表方法，便于快速定位。\n\n### 5. 分析总结\n\n- 论文的第二个通行阅读揭示了其作为综述的核心价值在于**系统化分类**与**大量表格对比**，覆盖超过200篇文献。\n- 分类体系具有多层次、多维度特征，体现了领域内方法的多样性。\n- 关键图表（图2、图3、表1、表2、表4-6）提供了足够的信息支撑读者快速理解领域全貌。\n- 同时，论文也指出了当前研究的挑战（速度、拥挤与遮挡、大模型、细节重建、环境交互、可控性），为未来方向提供了指引。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## 模块E：第三遍深入审阅\n\n### 1. 分类学假设（Taxonomy assumptions）\n\n本综述的分类体系基于以下关键假设：\n\n- **任务二分为姿态估计与网格恢复**：将3D人体任务严格划分为3D姿态估计（关键点坐标预测）和人体网格恢复（表面重建），并分别独立综述（第1节、第2节）。该假设忽略了姿态与网格之间的耦合关系（如联合优化方法），可能遗漏交叉任务的方法。\n- **姿态估计按目标数划分**：单人与多人，多人再按top-down/bottom-up划分（第4节）。假设top-down和bottom-up是互斥且全面的，但实际存在混合或单阶段方法（如Jin et al., [^120]），被归为\"Others\"，分类边界并不严格。\n- **网格恢复按模型显式性划分**：模板基（SMPL等）与无模板（隐式、NeRF等）（第5节）。假设模板基方法必然缺乏细节，无模板方法必然缺乏稳定性，并以此为主线组织内容，忽略了近年来大量混合方法（如ICON、ECON等）的中间地带，但文中确实单列了\"Implicit + Explicit\"子类。\n- **技术演进假设**：假设深度学习框架由编码器-解码器构成，且Transformer和隐式表示是近五年的主流趋势，基于此挑选方法（第3节）。\n\n### 2. 覆盖偏差（Coverage bias）\n\n- **时间偏差**：主要覆盖2019-2023年的文献，对2019年之前的基础工作（如早期CNN、RNN方法）仅简要提及背景，可能忽略一些经典方法的演进脉络。\n- **出版物偏差**：以主流会议（CVPR/ICCV/ECCV）和期刊（TPAMI/TIP）为主，对arXiv等预印本覆盖较少（如部分方法列为arXiv但未突出），可能存在选择性偏差。\n- **来源偏差**：作者来自同一机构（中山大学），可能对国内团队工作更熟悉，引用国内工作比例较高，但并非明显缺陷。\n- **数据偏差**：在对比表中，主要选取Human3.6M、3DPW、MPI-INF-3DHP等公开数据集，但未涵盖所有新数据集（如AGORA、EMDB等），可能影响对方法泛化能力的全面评估。\n\n### 3. 盲点或遗漏领域（2-4条）\n\n- **多模态与传感器融合**：虽然第2节提及主动/被动传感器，但综述聚焦RGB图像，对基于IMU、深度、RF等多模态融合的方法讨论不足，仅简要列出（第2.1节），未深入分析其与视觉方法的互补性。\n- **实时性和部署**：虽然在第7节讨论应用，但对边缘计算、模型压缩、知识蒸馏等部署层面的方法缺乏专门章节，仅在第3节概括，未系统比较其性能-效率权衡。\n- **人体-场景交互**：综述主要关注孤立的人体重建，但对人与物体、环境的交互重建（如HOLD、PROX）仅在挑战部分提及（第8节），未展开综述，而这是近年热点。\n- **生成式方法**：虽然提到扩散模型（HMDiff），但对生成对抗网络（GAN）、变分自编码器（VAE）等生成式模型在姿态/网格生成中的应用覆盖较少，且未讨论条件生成与可控性。\n\n### 4. 优势与劣势（Strengths and weaknesses）\n\n### 优势：\n\n- **全面性**：首次同时覆盖单人/多人3D姿态估计与模板/无模板网格恢复，引用文献超过200篇，系统性强（第1.2节）。\n- **分类清晰**：构建了详细的分类树（Fig.2），并按问题驱动（如深度歧义、遮挡）组织方法，便于读者快速定位（第4-5节）。\n- **对比表格**：提供了多个数据集上的方法对比（表4-6），包含MPJPE等指标，直观展示性能差异。\n- **未来方向明确**：第8节总结了速度、遮挡、大模型、细节重建等挑战，具有启发性。\n\n## 劣势：\n\n- **缺乏深入的技术比较**：虽然列出方法，但很少深入分析各方法的原理异同、优缺点，多为罗列式描述，缺乏批判性比较。\n- **指标口径不一致**：不同方法在评测时的预处理（如Procrustes对齐、归一化）不同，表格中未统一说明，可能误导读者。\n- **代码和数据链接不完整**：表中代码列有\"Code\"但未给出实际链接，数据集仅写\"Website\"，不便于复现（表3）。\n- **时效性局限**：截止2023年，未涵盖2024年最新进展（如更先进的Gaussian Splatting方法），且部分引用存在拼写错误（如\"Gaussian Splitting\"）。\n\n### 5. 未来综述更新方向（2-4条）\n\n- **纳入生成式大模型**：更新应涵盖大语言模型（LLM）和视觉基础模型在人体姿态/网格估计中的应用，如文本驱动的姿态生成、多模态提示等，与第8节提出的\"大模型\"方向呼应。\n- **强调交互式重建**：系统综述人体-物体交互、多人场景下的联合重建，以及动态序列中的物理一致性，以填充现有盲点。\n- **统一评测基准**：建立更一致的评估协议，明确指标预处理（PA、归一化），并引入更多多样化数据集（如AGORA、EMDB）以全面评估模型泛化性。\n- **深入分析混合方法**：对显式-隐式结合方法（如ECON、DELTA）进行更深层的原理、效率与细节权衡的比较，而非仅列举。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## 模块F：术语表与概念依赖图\n\n### 术语表（30个条目）\n\n#### 1. 3D Human Pose Estimation (3D HPE)\n\n- **中文译名**：3D人体姿态估计\n- **定义**：预测人体关键点在三维空间中的坐标（x, y, z）的任务。\n- **直觉**：从图像中推断出人体关节的立体位置，像在空间中重建骨架。\n- **在论文中的作用**：论文的两个主要任务之一，涵盖单人和多人场景（第4节）。\n- **前置知识**：2D姿态估计、相机几何、深度学习。\n\n#### 2. Human Mesh Recovery (HMR)\n\n- **中文译名**：人体网格恢复\n- **定义**：重建人体三维网格模型，包含形状、姿态、衣物等细节。\n- **直觉**：不仅估计关节，还生成一个完整的“皮肤”表面，比骨架更丰富。\n- **在论文中的作用**：论文的另一主要任务，分为基于模板（参数化）和无模板（非参数化）方法（第5节）。\n- **前置知识**：3D建模、图形学、深度学习。\n\n#### 3. SMPL (Skinned Multi-Person Linear Model)\n\n- **中文译名**：蒙皮多人线性模型\n- **定义**：一种参数化的可学习皮肤顶点模型，用姿态参数θ和形状参数β描述人体。\n- **直觉**：一个可变形的人体模板，通过调整参数生成不同体型和姿态。\n- **在论文中的作用**：作为最广泛使用的显式模型，许多方法基于它扩展（如SMPL-X、MANO等）（第2.2节）。\n- **前置知识**：网格模型、线性混合蒙皮（LBS）。\n\n#### 4. SMPL-X\n\n- **中文译名**：SMPL-X模型\n- **定义**：综合人体、面部和手部的扩展模型，整合FLAME头和MANO手。\n- **直觉**：SMPL的“全家桶”版本，能表达全身细节。\n- **在论文中的作用**：用于全身人体网格恢复，是详细重建的重要基础（第2.2节）。\n- **前置知识**：SMPL、FLAME、MANO。\n\n#### 5. MANO (SMPL+H)\n\n- **中文译名**：MANO手部模型\n- **定义**：用于手部姿态和形状的参数化模型，是SMPL的手部扩展。\n- **直觉**：专门为手部设计的可变形模型。\n- **在论文中的作用**：在详细人体恢复中用于手部重建（第2.2节）。\n- **前置知识**：SMPL、网格表示。\n\n#### 6. FLAME\n\n- **中文译名**：FLAME面部模型\n- **定义**：用于面部形状和表情的参数化模型。\n- **直觉**：一个可控的面部网格，可调整表情。\n- **在论文中的作用**：在SMPL-X中用于面部表示（第2.2节）。\n- **前置知识**：SMPL、面部动画。\n\n#### 7. Template-based (parametric) methods\n\n- **中文译名**：基于模板（参数化）方法\n- **定义**：使用预先定义的模型（如SMPL）通过估计模型参数来重建人体网格。\n- **直觉**：先有一个“标准人”模板，然后调整参数去匹配实际图像。\n- **在论文中的作用**：第5.1节，被详细分类和讨论。\n- **前置知识**：SMPL等参数模型。\n\n#### 8. Template-free (non-parametric) methods\n\n- **中文译名**：无模板（非参数化）方法\n- **定义**：不依赖预定义模型，直接预测3D人体形状或表示。\n- **直觉**：没有固定模板，更灵活但可能不稳定。\n- **在论文中的作用**：第5.2节，包括回归、隐式表示、NeRF等。\n- **前置知识**：深度学习、隐式函数。\n\n#### 9. Implicit representation\n\n- **中文译名**：隐式表示\n- **定义**：不直接存储几何数据（如顶点、网格），而是用函数定义空间点是否属于物体。\n- **直觉**：用一个“判定函数”描述形状，每个点问“我在物体内吗？”\n- **在论文中的作用**：在HMR中用于重建细节，如PIFu、PaMIR等（第5.2.4节）。\n- **前置知识**：数学函数、神经网络。\n\n#### 10. Neural Radiance Fields (NeRF)\n\n- **中文译名**：神经辐射场\n- **定义**：用神经网络学习场景的连续体积密度和颜色分布，可生成新视角。\n- **直觉**：把场景编码成一个函数，输入位置和方向，输出颜色和密度。\n- **在论文中的作用**：用于无模板人体重建，如ActorsNeRF等（第5.2.5节）。\n- **前置知识**：体积渲染、隐式表示。\n\n#### 11. Voxel-based model\n\n- **中文译名**：体素模型\n- **定义**：将三维空间划分为体素网格，每个体素表示占用或颜色。\n- **直觉**：类似3D像素，但分辨率受内存限制。\n- **在论文中的作用**：作为隐式模型的一种，如BodyNet（第2.2节）。\n- **前置知识**：体素化、3D卷积。\n\n#### 12. Signed Distance Function (SDF)\n\n- **中文译名**：有符号距离函数\n- **定义**：函数值为点到物体表面的最近距离，正负表示内外。\n- **直觉**：告诉每个点到表面的距离和方向。\n- **在论文中的作用**：用于隐式重建，如TetraTSDF、ECON等（第2.2节和5.2节）。\n- **前置知识**：隐式表示、距离场。\n\n#### 13. 2D-to-3D lifting\n\n- **中文译名**：升维（2D到3D提升）\n- **定义**：先检测2D关键点，再将其提升到3D坐标的方法。\n- **直觉**：两步走：先找平面上的点，再估计深度。\n- **在论文中的作用**：单人姿态估计的一种主要范式（第4.1节）。\n- **前置知识**：2D姿态估计、深度估计。\n\n#### 14. Direct estimation\n\n- **中文译名**：直接估计\n- **定义**：从输入直接回归3D姿态，不经过2D中间步骤。\n- **直觉**：一步到位，直接从图像输出3D坐标。\n- **在论文中的作用**：与2D-to-3D lifting并列的单人估计方法（第4.1节）。\n- **前置知识**：深度学习回归。\n\n#### 15. Top-down method\n\n- **中文译名**：自顶向下方法\n- **定义**：先检测每个人，再对每个人单独估计姿态或网格。\n- **直觉**：先框出人，再分析。\n- **在论文中的作用**：多人姿态估计的两种主要范式之一（第4.2.1节）。\n- **前置知识**：目标检测、姿态估计。\n\n#### 16. Bottom-up method\n\n- **中文译名**：自底向上方法\n- **定义**：先检测所有关键点，再关联到每个人。\n- **直觉**：先找所有“点”，再分组配对。\n- **在论文中的作用**：多人姿态估计的另一范式（第4.2.2节）。\n- **前置知识**：关键点检测、关联算法。\n\n#### 17. Multi-view triangulation\n\n- **中文译名**：多视角三角化\n- **定义**：从多个相机视图的2D观测恢复3D位置，利用几何关系求交点。\n- **直觉**：多个角度“瞄准”一个点，交叉确定位置。\n- **在论文中的作用**：解决遮挡和深度歧义的有效方法（第4.1.1节）。\n- **前置知识**：相机标定、极线几何。\n\n#### 18. Weakly supervised learning\n\n- **中文译名**：弱监督学习\n- **定义**：使用不精确或少量标注数据进行训练，如仅2D标注。\n- **直觉**：用粗糙的标签学习，降低标注成本。\n- **在论文中的作用**：缓解3D数据缺乏问题（第4.1.1节“Solving Data Lacking”）。\n- **前置知识**：监督学习、数据标注。\n\n#### 19. Self-supervised learning\n\n- **中文译名**：自监督学习\n- **定义**：从未标注数据中构造伪任务（如重投影一致性）来学习表示。\n- **直觉**：自己生成“标签”，利用数据内在结构。\n- **在论文中的作用**：用于减少对3D标注的依赖（第4.1.1节）。\n- **前置知识**：预训练、对比学习。\n\n#### 20. Transfer learning\n\n- **中文译名**：迁移学习\n- **定义**：将源领域训练的参数迁移到目标领域，加快收敛。\n- **直觉**：借力已有知识，避免从零开始。\n- **在论文中的作用**：用于跨数据集适应，如AdaptPose（第4.1.1节）。\n- **前置知识**：深度学习、领域自适应。\n\n#### 21. Graph Neural Network (GNN)\n\n- **中文译名**：图神经网络\n- **定义**：在图上定义的卷积网络，适合处理人体骨架这类图结构。\n- **直觉**：将关节作为节点，连接作为边，传播信息。\n- **在论文中的作用**：用于利用身体结构先验（第4.1.1节“Solving Body Structure Understanding”）。\n- **前置知识**：图论、卷积网络。\n\n#### 22. Transformer\n\n- **中文译名**：Transformer（变换器）\n- **定义**：基于自注意力机制的序列模型，原本用于NLP，后扩展到视觉。\n- **直觉**：能捕捉长距离依赖，并行处理。\n- **在论文中的作用**：在姿态估计和网格恢复中广泛使用，如PoseFormer、METRO等（第4、5节）。\n- **前置知识**：注意力机制、RNN比较。\n\n#### 23. Occlusion handling\n\n- **中文译名**：遮挡处理\n- **定义**：处理人体被遮挡（自遮挡、其他物体遮挡）的技术。\n- **直觉**：当部分看不见时，利用先验或上下文猜测。\n- **在论文中的作用**：贯穿姿态估计和网格恢复的重要挑战（第4、5节）。\n- **前置知识**：多视角几何、语义分割。\n\n#### 24. MPJPE (Mean Per Joint Position Error)\n\n- **中文译名**：平均每关节位置误差\n- **定义**：预测关节和真实关节的L2距离平均值，单位毫米。\n- **直觉**：平均每个关键点错多远。\n- **在论文中的作用**：3D姿态估计的主要评价指标（第6.1节）。\n- **前置知识**：欧氏距离、统计。\n\n#### 25. PA-MPJPE (Procrustes-aligned MPJPE)\n\n- **中文译名**：普罗克鲁斯特对齐后的平均关节位置误差\n- **定义**：先用普罗克鲁斯特分析对齐预测和真值（消除旋转、缩放），再计算MPJPE。\n- **直觉**：忽略整体朝向和尺度，只看局部相对位置。\n- **在论文中的作用**：用于对比表中的评估（第6.1节）。\n- **前置知识**：MPJPE、刚体变换。\n\n#### 26. MPVPE (Mean Per Vertex Position Error)\n\n- **中文译名**：平均每顶点位置误差\n- **定义**：预测网格顶点与真实网格顶点的L2距离平均值。\n- **直觉**：网格上每个点错多少。\n- **在论文中的作用**：评估网格恢复质量（第6.1节）。\n- **前置知识**：网格表示、欧氏距离。\n\n#### 27. Hyperparameters\n\n- **中文译名**：超参数\n- **定义**：训练前设定、不能学习的参数，如学习率、层数。\n- **直觉**：调好这些参数才能训练好模型。\n- **在论文中的作用**：文中未给予明确列表，但方法比较时隐含不同超参数。\n- **前置知识**：机器学习基础。\n\n#### 28. Explicit model parameters (θ, β)\n\n- **中文译名**：显式模型参数（θ, β）\n- **定义**：SMPL等模型中的姿态参数θ（关节角度）和形状参数β（体型）。\n- **直觉**：像调节旋钮，控制模型的姿势和胖瘦。\n- **在论文中的作用**：估计这些参数以重建人体网格（第2.2节）。\n- **前置知识**：SMPL模型。\n\n#### 29. RGB image sensor\n\n- **中文译名**：RGB图像传感器\n- **定义**：捕获彩色图像的常见相机传感器。\n- **直觉**：普通手机相机。\n- **在论文中的作用**：作为主要输入模态，论文聚焦基于RGB的估计和重建（第2.1节）。\n- **前置知识**：成像原理。\n\n#### 30. Diffusion model\n\n- **中文译名**：扩散模型\n- **定义**：通过逐步加噪声和去噪来生成数据的生成模型。\n- **直觉**：像从马赛克慢慢还原成清晰图。\n- **在论文中的作用**：用于网格恢复，如HMDiff（第5.2.6节）。\n- **前置知识**：生成模型、马尔可夫链。\n\n### 概念依赖图（文本形式）\n\n```text\n[3D HPE] 和 [HMR] 是并列的两大任务\n  ├─ 3D HPE 依赖于：2D关键点检测、深度估计、相机几何\n  │   ├─ 单人和多人范式：单→直接估计或2D-3D提升；多人→Top-down/Bottom-up\n  │   └─ 挑战：深度歧义、遮挡、数据缺乏 → 解决方法：多视角、图网络、弱/自监督\n  └─ HMR 依赖于：参数模型（SMPL等）或无模板表示\n      ├─ Template-based方法：依赖SMPL/SMPL-X等显式模型，可扩展到手、脸、衣物\n      ├─ Template-free方法：依赖隐式表示（SDF、NeRF）、扩散模型等\n      └─ 详细重建：需要结合显式和隐式方法以平衡鲁棒性和细节\n\n[SMPL] 是核心概念，向下衍生出 MANO、FLAME、SMPL-X、H4D\n[隐式表示] 包括体素、SDF、NeRF、Gaussian Splatting等，常与显式模型结合\n[Transformer] 广泛应用于序列建模，在姿态估计和网格恢复中作为主干\n[评价指标] 如MPJPE、PA-MPJPE、MPVPE等用于比较不同方法\n```\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## 模块G：验证与引用检查\n\n### 1. 关键事实声明（附来源）\n\n- **声明1：本文是首个全面涵盖单人/多人3D姿态估计及显式/隐式模型网格恢复的综述。**\n  - 来源1：论文引言第1.2节“主要贡献”第(1)点明确：“To the best of our knowledge, this survey is arguably the first to comprehensively cover deep learning methods for 3D human pose estimation, including both single-person and multi-person approaches, as well as human mesh recovery, encompassing methods based on explicit models and implicit representations.”（文内第1.2节）\n  - 来源2：论文摘要第一段：“To the best of our knowledge, this survey is arguably the first to comprehensively cover deep learning methods for 3D human pose estimation, including both single-person and multi-person approaches, as well as human mesh recovery, encompassing methods based on explicit models and implicit representations.”（摘要部分）同时，引言中对比现有综述[^17-20]，指出它们只部分覆盖，进一步支持该声明。\n\n- **声明2：论文覆盖2019-2023年主流会议和期刊的最新成果。**\n  - 来源1：引言第1.2节：“our survey comprehensively includes the most recent state-of-the-art publications (2019-2023) from mainstream computer vision conferences and journals.”（第1.2节）\n  - 来源2：文中表4、5、6所列方法的时间跨度从2019到2023，例如VideoPose3D (CVPR'19)、PoseFormer (ICCV'21)、STCFformer (CVPR'23)等，验证了覆盖范围。\n\n- **声明3：项目页面提供不断更新的代码和资源。**\n  - 来源1：摘要末尾：“A regularly updated project page can be found at <https://github.com/liuyangme/SOTA-3DHPE-HMR.”>\n  - 来源2：引言第1.2节结尾：“Additionally, we host a regularly updated project page, which can be accessed at: <https://github.com/liuyangme/SOTA3DHPE-HMR.”>\n\n### 2. 冲突或不确定性说明\n\n- **冲突1：论文标题与内容中的“Human Pose Estimation”和“Mesh Recovery”术语，但表格中有些方法名称拼写错误或缩写不一。** 例如，表4中“Elopeo”应为“Elepose”（参见第83号引用），表5中“Elepose”拼写正确。还有“Uplift and Upsample”与原文[^21]对应，但表4中写法略不同。这些拼写差异可能影响读者检索，但核心方法均可在参考文献中找到。\n- **冲突2：部分方法在表格中的性能数据与其他论文可能不一致。** 由于本文为综述，数据来自各原始论文，可能存在复现或解释差异。表6中部分数值如“VirtualMarker”的MPJPE与原文可能略有出入，但总体趋势一致。建议读者以原始论文为准。\n- **不确定性：论文未提供所有数据集和代码的直接下载链接，仅给出了“Website”占位符。** 表3中下载链接列均标为“Website”，未提供具体URL，用户需自行搜索，可能影响可重复性。作者仅在项目页面提供了部分链接。\n\n### 3. 参考文献列表（节选关键文献）\n\n（列出全文参考文献中与核心内容直接相关的文献，以核查引用完整性）\n\n- [^35] M. Loper, et al. SMPL: A skinned multi-person linear model. ACM TOG, 2015.\n- [^38] G. Pavlakos, et al. Expressive body capture: 3D hands, face, and body from a single image. CVPR, 2019.\n- [^61] Z. Cai, et al. SMPLer-X: Scaling up expressive human pose and shape estimation. arXiv, 2023.\n- [^89] D. Pavllo, et al. 3D human pose estimation in video with temporal convolutions and semi-supervised training. CVPR, 2019.\n- [^90] C. Zheng, et al. 3rd human pose estimation with spatial and temporal transformers. ICCV, 2021.\n- [^131] K. Lin, et al. Mesh graphormer. ICCV, 2021.\n- [^136] K. Lin, et al. End-to-end human pose and mesh reconstruction with transformers. CVPR, 2021.\n- [^193] S. Saito, et al. PIFu: Pixel-aligned implicit function for high-resolution clothed human digitization. ICCV, 2019.\n- [^206] Y. Xiu, et al. ICON: Implicit clothed humans obtained from normals. CVPR, 2022.\n- [^207] Y. Xiu, et al. ECON: Explicit clothed humans optimized via normal integration. CVPR, 2023.\n- [^225] C. Ionescu, et al. Human3.6M: Large scale datasets and predictive methods for 3D human sensing in natural environments. TPAMI, 2014.\n- [^227] T. Von Marcard, et al. Recovering accurate 3D human pose in the wild using IMUs and a moving camera. ECCV, 2018.\n\n（完整参考文献列表见原文，此处仅列关键文献用于验证核心声明。）\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## 模块H：图表提取\n\n### H.1 完整索引（编号/标题/类型/位置/支撑结论/评分）\n\n| 编号 | 标题（中文意译/原文） | 类型 | 位置 | 支撑结论 | 评分（1-5） |\n|------|----------------------|------|------|----------|-------------|\n| 图1 | Recent research of deep learning for 3D HPE and HMR（近年3D HPE与HMR深度学习方法概览） | 图片 | 第1.2节，引言末尾 | 说明综述覆盖范围与近年研究热度，支撑\"该领域近年快速发展\"的论述 | 2 |\n| 图2 | A taxonomy of deep learning methods for 3D HPE and HMR（3D HPE与HMR深度学习方法分类体系） | 图片（分类图） | 第1.2节，引言末尾 | 直观呈现综述的核心分类框架，支撑\"本文首次系统覆盖单人多人与显隐式方法\"的贡献声明 | 5 |\n| 图3 | A basic framework of deep learning for 3D HPE and HMR（深度学习系统的四个基本组件） | 图片（框架图） | 第3节 | 概括系统整体流程（传感器→模型→学习策略→输出），支撑第3节对深度学习总体架构的阐述 | 4 |\n| 图4 | Typical single person 3D human pose estimation：（a）直接估计法；（b）2D到3D提升法 | 图片（示意图） | 第4.1节开头 | 展示单人体姿态估计的两类基本范式，支撑第4.1节的分类描述 | 3 |\n| 图5 | （a）深度歧义；（b）基于图的表示；（c）迁移学习 | 图片（示意图） | 第4.1.1节 | 解释深度歧义问题、图结构表示和迁移学习思想，支撑第4.1.1节对相关问题的分析 | 3 |\n| 图6 | Typical multi-person 3D pose estimation（多人姿态估计的bottom-up与top-down方法） | 图片（示意图） | 第4.2节开头 | 说明多人姿态估计的两大类别（自底向上、自顶向下），支撑第4.2节的分类介绍 | 3 |\n| 图7 | Typical human mesh recovery：（a）基于模板的方法；（b）无模板方法 | 图片（示意图） | 第5节开头 | 展示人体网格恢复的两类主要方法，支撑第5节的分类框架 | 4 |\n| 图8 | （a）NeRF；（b）3D高斯泼溅 | 图片（示意图） | 第5.2节 | 解释NeRF与3D高斯泼溅的工作原理，支撑第5.2节对无模板方法中渲染技术的描述 | 4 |\n| 表1 | Overview of 3D human pose estimation（3D人体姿态估计方法总览） | 表格（分类对比表） | 第4节 | 系统整理单人与多人、图像与视频、各类挑战下的代表方法，支持第4节的分类描述和综述性结论 | 5 |\n| 表2 | Overview of human mesh recovery（人体网格恢复方法总览） | 表格（分类对比表） | 第5节 | 将网格恢复分为模板基（裸体、效率、表征、结构、学习策略、细节）和无模板（回归、优化、隐式、NeRF、扩散等），支撑第5节的分类体系 | 5 |\n| 表3 | The overview of the mainstream datasets（主流数据集概览） | 表格（基准汇总表） | 第6.2节 | 汇总Human3.6M、3DPW、MPI-INF-3DHP等数据集的关键属性（类型、数据格式、帧数、特征、下载链接），支撑第6.2节的数据集描述 | 5 |\n| 表4 | Comparisons of 3D pose estimation methods on Human3.6M（在Human3.6M上的姿态估计方法比较） | 表格（对比表） | 第6.2节 | 展示各方法的MPJPE，支撑\"某些方法在Human3.6M上达到SOTA\"的论断，并便于读者横向比较 | 5 |\n| 表5 | Comparisons of 3D pose estimation methods on MPI-INF-3DHP（在MPI-INF-3DHP上的姿态估计方法比较） | 表格（对比表） | 第6.2节 | 展示MPJPE、PCK、AUC，支撑\"STCFformer在该数据集上表现最佳\"等具体结论 | 5 |\n| 表6 | Comparisons of human mesh recovery methods on Human3.6M and 3DPW（在Human3.6M和3DPW上的网格恢复方法比较） | 表格（对比表） | 第6.2节 | 比较多种网格恢复方法的MPJPE、PA-MPJPE、PVE，支撑\"显式/隐式方法各有优劣\"等综述观点 | 5 |\n\n### H.2 优先深度阅读（3-5项）\n\n1. **图2（分类体系图）**：本综述的核心分类框架，决定了整篇文章的结构和论述逻辑，深度阅读可快速掌握文章的组织脉络，并理解各类方法间的关联。\n2. **表1（3D姿态估计方法总览）**：系统归纳了单人与多人、图像与视频、不同挑战下的代表方法，是阅读第4节时的重要导航，帮助梳理大量方法。\n3. **表2（网格恢复方法总览）**：全面覆盖了模板基（裸体、细节、效率等）和无模板方法，直接支撑第5节的分类论述，是理解网格恢复研究全貌的关键表格。\n4. **表4（Human3.6M上的对比）**：展示常见姿态估计方法的量化结果，可验证文中关于\"某些方法达到SOTA\"的观点，并用于比较不同技术路线的性能。\n5. **表6（网格恢复对比）**：在Human3.6M和3DPW两个关键基准上的对比，体现了显式与隐式方法的效果差异，是本综述实验结果部分的核心表格。\n\n### H.3 分类图、对比表或基准汇总表\n\n- **分类图**：图2（分类体系图）明确将方法分为3D姿态估计（单/多人）和网格恢复（模板/无模板），并进一步细分，是文中最核心的分类视觉。\n- **对比表**：表1、表2、表4、表5、表6均为方法对比表，分别对姿态估计和网格恢复的不同子任务进行方法归纳与量化对比。\n- **基准汇总表**：表3汇总了主流数据集的信息，为读者提供数据选择的速查表。\n\n### H.4 时间线/分组可视化及图表到结论的映射\n\n- **时间线/分组可视化**：本综述未提供专门的时间线图，但图2的分类树实际上隐含了时间演进（如：模板基方法最早，隐式、NeRF、高斯泼溅为较新方向）。此外，图1展示了近年（2019-2023）的研究热度分布，可视为一种非严格的时间线视觉。\n- **图表到结论的映射**：\n  - 图2 → 结论：本文首次系统性覆盖单人和多人姿态估计及显隐式网格恢复，映射到引言中的贡献(1)。\n  - 图3 → 结论：深度学习系统由数据采集、模型、学习策略、输出表示四部分组成，映射到第3节的概述。\n  - 图4、图6、图7 → 分别支撑单人体态估计的两种范式、多人方法的自顶向下/自底向上分类、网格恢复的模板/无模板分类。\n  - 表格4 → 奠基性方法（如VideoPose3D）和新型方法（如STCFformer）的MPJPE对比，支撑\"新方法改进性能\"的定量结论。\n  - 表5 → 在MPI-INF-3DHP上，STCFformer的MPJPE最低（23.1），支撑其作为SOTA的论断。\n  - 表6 → 在3DPW上，PLIKS (60.5)等显式方法表现较好，而隐式方法如GLoT、MPS-Net误差较大，支撑\"显式方法鲁棒性更强，隐式方法细节更丰富但稳定性不足\"的综述总结。\n  - 表3 → 数据集性质决定评估的可比性，支撑第6.2节对数据集选择的建议。"
}