Topic · 87 篇
人脸与人体理解
输入域被限定在人脸或人体。
这个方向的收录判据
以人脸或人体为对象的识别与分析。包括人脸识别/检测/对齐、表情、 行人重识别 ReID、人体姿态估计、动作捕捉、步态识别、人体解析。 判据：任务的输入域被限定在人/人脸。
本方向全部 87 篇
rPPG-VQA：面向无监督rPPG训练的视频质量评估框架
rPPG-VQA: A Video Quality Assessment Framework for Unsupervised rPPG Training
提出面向rPPG训练的视频质量评估框架，结合信号级SNR共识估计与场景级MLLM干扰识别，并利用质量分数进行两阶段自适应采样筛选训练数据，可直接用于提升无监督rPPG模型在野生视频上的训练效果。
面向终身行人重识别的视觉-语言属性解耦与强化
Vision-Language Attribute Disentanglement and Reinforcement for Lifelong Person Re-Identification
把 VLM 的文本属性作为跨域共享的细粒度监督信号，用文本属性解耦+跨模态属性对齐来指导视觉特征提取，这一思路可直接迁移到其他需要抗遗忘的跨域检索/分类任务（如跨域行人检索、细粒度识别）中。
面向空地行人重识别的视角感知语义对齐
View-Aware Semantic Alignment for Aerial-Ground Person Re-Identification
用一组视角感知专家生成自适应语义查询，再以图推理对齐局部区域，替代传统视角不变特征对齐；做跨视角检索或需要处理大视角差异的局部特征对齐时可直接借鉴这套专家+图推理的框架。
VRCLIP：面向CLIP驱动的视觉-无线电行人重识别的多模态典型相关对齐
VRCLIP: Multimodal Canonical Correlation Alignment for CLIP-Driven Vision-Radio Person Re-Identification
把跨模态对齐从分布匹配改成典型相关分析（CCA）子空间上的相关性最大化，避免过度正则化削弱模态内判别性；这个思路可直接迁移到RGB-红外、RGB-深度、RGB-文本等任意异质模态ReID或检索任务的特征融合环节。
VIMCAN：基于混合 Mamba-交叉注意力网络的视觉-惯性三维人体姿态估计
VIMCAN: Visual-Inertial 3D Human Pose Estimation with Hybrid Mamba-Cross-Attention Network
用 Mamba 的选择性状态空间建模替代 Transformer 做时序建模、用交叉注意力补空间依赖，为视觉-惯性等多模态序列融合提供了一条线性复杂度、可实时（>60 FPS）的骨干设计思路，可直接迁移到其他需要长序列多模态融合的视觉任务。
从大型视觉模型中释放运动信息：面向步态识别的语义与运动学对偶框架
Unlocking Motion from Large Vision Models with a Semantic and Kinematic Duality for Gait Recognition
用视觉语言监督构造条件去相关损失（CDLoss），把步态嵌入中的衣物、视角等干扰因子显式解耦，这一思路可迁移到任何需要抑制 nuisance 因子的细粒度人体/行为表征学习；同时 GCaption 提供了带自然语言标注的步态数据集，可直接用于 context-aware 的人体分析。
Ultra Diffusion Poser：基于扩散模型从稀疏惯性传感器与测距传感器间距离进行人体运动跟踪
Ultra Diffusion Poser: Diffusion-Based Human Motion Tracking from Sparse Inertial Sensors and Ranging-based Between-sensor Distances
把 UWB 测距的传感器间距离从「额外输入特征」升级为可解析重建 3D 传感器布局的几何约束，并用扩散采样期的 guidance 强制预测姿态与实测距离对齐——这套「解析几何重建 + 采样期约束引导」思路可迁移到任何带物理距离/结构约束的稀疏传感或稀疏视角姿态重建任务。
UST-Hand：面向3D自监督手部姿态估计的不确定性感知时空点云交互网络
UST-Hand: An Uncertainty-aware Spatiotemporal Point Cloud Interaction Network for 3D Self-supervised Hand Pose Estimation
用条件归一化流建模手部姿态分布并采样多假设，再把多假设映射到统一概率点云空间做多视角与时序特征交互，这一「不确定性采样+点云时空融合」的范式可直接迁移到其他缺乏标注的人体/物体关键点与姿态自监督任务。
UDAPose：面向低光照人体姿态估计的无监督域自适应
UDAPose: Unsupervised Domain Adaptation for Low-Light Human Pose Estimation
针对低光照姿态估计，用基于直流高通滤波（DHF）与低光照特征注入模块（LCIM）的合成管线生成逼真低光训练图像，并在 Transformer 中用动态注意力控制（DCA）在图像线索不可靠时回退到姿态先验——这套「合成域+注意力门控」思路可直接迁移到其他低质成像下的关键点/稠密预测任务。
面向隐私保护可见光-红外行人重识别的跨模态保持、一致性与对齐
Towards Cross-Modal Preservation, Consistency and Alignment for Privacy-Preserving Visible-Infrared Person Re-Identification
针对可见光-红外行人重识别中的隐私保护问题，提出关键点保持正则化与差分一致性引导的模态对齐，可复用于跨模态检索中的匿名化特征对齐。
面向 3D 人体姿态估计的平衡多模态学习
Towards Balanced Multi-Modal Learning in 3D Human Pose Estimation
用 Shapley 值量化各模态（RGB/LiDAR/mmWave/WiFi）对 3D 姿态估计的边际贡献来诊断模态不平衡，并配合训练早期的学习节奏调控策略，可迁移到任何多模态融合的视觉任务中做模态权重诊断与平衡训练。
透过频率之镜：基于自适应调制的跨域泛化视线估计
Through the Frequency Lens: Cross-Domain Generalisable Gaze Estimation with Adaptive Modulation
把图像分解到频域、用可学习调制图抑制样本级干扰频段并做频谱分布多样化，这套频域自适应调制思路可直接迁移到其他对域偏移敏感的人脸/人体回归任务（如头部姿态、面部关键点）的域泛化训练中。
文本引导特征解耦的跨模态步态识别
Text-guided Feature Disentanglement for Cross-modal Gait Recognition
用 LLM 生成的模态感知文本先验作为语义锚点，配合 CLIP 多粒度编码器把激光雷达点云序列与 RGB 视频对齐到统一视觉-语言空间，再通过 top-k 文本匹配与残差正交约束解耦出模态共享步态特征；这套「文本引导解耦」思路可迁移到其他 2D-3D 跨模态检索与识别任务。
基于手语数据的文本驱动三维手部动作生成
Text-Driven 3D Hand Motion Generation from Sign Language Data
把手语视频的伪标注通过 LLM 转成细粒度手部动作文本描述，从而以极大规模自动构建「3D 手部动作-文本」配对，并用文本条件扩散模型生成手部运动；对做人体/手部动作生成、手语理解与文本到运动的研究者，这套数据构造与跨域评测设定可直接复用。
Superman：统一骨架与视觉的人体运动感知与生成
Superman: Unifying Skeleton and Vision for Human Motion Perception and Generation
提出视觉引导的运动分词器，利用3D骨架与视觉数据的几何对齐构建跨模态运动词汇表，使单一MLLM统一处理时序3D姿态估计与运动生成任务，为人体运动分析提供可复用的统一建模范式。
面向遮挡可见光-红外行人重识别的空间-频率协同学习
Spatial-Frequency Collaborative Learning for Occluded Visible-Infrared Person Re-Identification
将频域特征作为空间特征的补充，通过跨模态频率对齐模块和空间-频率交互模块提升遮挡下的跨模态特征对齐能力，为可见光-红外行人重识别提供了一种可复用的双域协同学习思路。
鞋风格不变与地面感知学习用于密集足部接触估计
Shoe Style-Invariant and Ground-Aware Learning for Dense Foot Contact Estimation
针对鞋外观多样性，引入鞋风格对抗训练以学习风格不变特征；针对地面外观单调，设计基于空间上下文的地面特征提取器。这两点可迁移到其他需要跨外观泛化的密集预测任务（如人体解析、交互区域分割）。
看穿噪声：提升视线估计中的域泛化能力
See Through the Noise: Improving Domain Generalization in Gaze Estimation
针对视线估计中标签噪声损害域泛化的问题，提出基于原型变换构建语义嵌入空间、利用特征-标签亲和一致性区分噪声样本，并在语义流形上施加亲和正则化，为视觉任务中处理噪声标签提供可复用思路。
SANER：用于行人去重识别的可切换适配器与非参数增强路由
SANER: Switchable Adapter with Non-parametric Enhanced Routing for Person De-Reidentification
提出可切换适配器与测试时非参数路由，将预训练特征空间解耦为遗忘与保留子空间，为行人重识别中的选择性遗忘提供可复用方案。
SAM 3D Body：鲁棒的全身人体网格恢复
SAM 3D Body: Robust Full-Body Human Mesh Recovery
提出解耦骨骼姿态与体型的参数化网格表示 MHR，并支持 2D 关键点/掩码提示的编码器-解码器架构，为单图全身（含手、脚）网格恢复提供了可复用的表示与提示式推理范式。
渲染即适配：面向视线估计的无监督个性化适配
Render-to-Adapt: Unsupervised Personal Adaptation for Gaze Estimation
把「用渲染器合成图像、再以预测结果作为伪标签做自监督」这套闭环，用于单用户少样本无标签的模型校准；做视线/头部姿态等细粒度人脸任务的人，可以直接把 R2A 的渲染-一致性信号搬到自己的个性化适配上，替代容易在单用户上失效的 UDA。
区域感知实例一致性学习用于微表情识别
Region-Aware Instance Consistency Learning for Micro-Expression Recognition
提出无需顶点帧标注的微表情识别范式，利用起始帧与近中值帧构建运动实例，并通过实例区域一致性模块强制相似面部激活区域的注意力一致，为细微运动分析提供了可复用的弱监督思路。
面向基于视觉人机交互的深度与运动融合实时多模态指尖接触检测
Real-Time Multimodal Fingertip Contact Detection via Depth and Motion Fusion for Vision-Based Human-Computer Interaction
用专用 RGB-D 数据微调现成深度估计模型，把毫米级深度误差压到 3.8 mm，从而区分悬停与真实接触；这套「小规模专用数据 + 深度模型微调」的流程可直接迁移到其他需要亚厘米精度的手部/人体交互感知任务。
RAM：在野外恢复任意三维人体运动
RAM: Recover Any 3D Human Motion in-the-Wild
RAM 将运动感知语义跟踪器与自适应卡尔曼滤波结合，在严重遮挡下实现鲁棒的身份关联，并利用记忆增强的时序 HMR 模块注入时空先验，为野外多人 3D 人体运动捕捉提供了可复用的实时框架。
提示词锚定的视觉-文本蒸馏用于终身行人重识别
Prompt-Anchored Vision-Text Distillation for Lifelong Person Re-identification
将预训练视觉-语言模型中冻结的文本编码器作为跨域语义锚点，通过提示词蒸馏与自适应提示池实现无样本回放的终身行人重识别，为视觉领域的持续学习提供了一种利用辅助模态稳定语义的通用思路。
从渐进猜测到固定点：用深度平衡模型重新思考人体运动预测
Progressive Guessing to Fixed Point: Rethinking Human Motion Prediction with Deep Equilibrium Models
将多阶段渐进细化重构为隐式层的固定点问题，用深度平衡模型实现无限次细化但仅需O(1)训练内存，并利用等变几何变换和热启动复用推理计算，为视觉序列预测任务提供高效框架。
Pressure2Motion：文本引导下基于地面压力的分层人体运动重建
Pressure2Motion: Hierarchical Human Motion Reconstruction from Ground Pressure with Text Guidance
把地面压力垫当作无摄像头、保护隐私的人体运动捕捉信号，用文本提示词消解压力到全身运动的不确定性；其分层扩散框架（先粗轨迹后细姿态）与双级压力特征提取器可迁移到其他欠定模态（如触觉、雷达）驱动的人体姿态估计。
PoseD-Flow：通用且可引导的人体姿态流匹配模型
PoseD-Flow: Versatile and Guided Flow Matching Model of Human Pose
把流匹配先验直接定义在关节旋转的乘积流形上，并用可微 ODE 采样做免训练引导，可直接用于遮挡/噪声下的姿态补全、去噪与逆运动学求解，也为其他非欧几里得结构化输出（如手部、SMPL 参数）提供可复用的生成先验范式。
面向按相机联邦行人重识别的姿态引导增强特征学习
Pose-guided Enriched Feature Learning for Federated-by-camera Person Re-identification
在每客户端仅单相机的联邦设定下，用姿态解耦模块把特征拆成姿态相关/无关分量并跨身份重组，合成姿态交换特征来增强对比学习，可直接迁移到其他需要扩充姿态多样性的ReID或行人表征学习流程。
PHASE-Net：面向高效远程光电容积脉搏波测量的物理锚定谐波注意力系统
PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement
把血流动力学的 Navier-Stokes 方程离散解推导为因果卷积，为 rPPG 的时序建模提供物理依据；其零 FLOPs 的轴向通道交换与逐帧自适应空间掩码，可直接迁移到其他需要跨区域交互与噪声抑制的面部视频时序任务。
PAD-Hand：面向手部运动恢复的物理感知扩散模型
PAD-Hand: Physics-Aware Diffusion for Hand Motion Recovery
把欧拉-拉格朗日动力学残差当作虚拟观测，接入条件扩散模型来精修手部姿态序列，并用最后一层拉普拉斯近似给出逐关节、逐帧的物理一致性方差；做手部或人体运动捕捉时，可直接复用这套「物理残差+不确定性」的后处理精修思路。
OpenFS：具备隐式手语手检测与帧级字母条件合成的多手手指拼写识别
OpenFS: Multi-Hand-Capable Fingerspelling Recognition with Implicit Signing-Hand Detection and Frame-Wise Letter-Conditioned Synthesis
提出隐式手语手检测与单调对齐损失，可复用于手语识别、手势理解等需要时序对齐与手部定位的任务；帧级字母条件生成器为数据增强与合成基准构建提供思路。
基于频域去噪先验的遮挡人体运动捕捉
Occluded Human Body Capture with Frequency Domain Denoising Prior
把遮挡下的单目人体运动捕捉转化为小波系数选择问题，用频域扩散模型学习长期周期性与动量先验来修正被遮挡 2D 关键点的概率分布，这一「频域去噪先验」思路可迁移到其他存在长期缺失观测的时序视觉任务（如遮挡跟踪、时序姿态补全）。
OMG-Bench：面向骨架在线微手势识别的新挑战性基准
OMG-Bench: A New Challenging Benchmark for Skeleton-based Online Micro Hand Gesture Recognition
提供首个大规模骨架在线微手势基准与多视图自监督骨架生成流程，其分层记忆增强 Transformer 用帧级与窗口级记忆库保留历史上下文，可迁移到其他在线时序动作/手势检测任务。
通过对齐高阶时序动态实现自然人体运动恢复
Natural Human Motion Recovery by Aligning High-Order Temporal Dynamics from Monocular Videos
把逐关节的 2D 位置、3D 速度与 3D 加速度作为软约束，接入全局轨迹优化，可作为即插即用后处理模块，用于任何单目 HMR 管线，以抑制抖动与过度平滑；其 PVA-Net 的高阶时序预测思路也可迁移到其他需要速度/加速度先验的时序回归任务。
Mocap-2-to-3：基于2D预训练的多视图提升单目运动恢复
Mocap-2-to-3: Multi-view Lifting for Monocular Motion Recovery with 2D Pretraining
把单目人体运动恢复重构为多视图合成问题，先在大量2D数据上预训练单视图扩散模型、再在3D数据上做多视图微调，这一「2D预训练+多视图几何约束」的范式可直接迁移到其他需要从单目输入恢复度量尺度3D结构的任务。
MimicTalker：面向实时双人 3D 头部生成的多模态交互与记忆增强框架
MimicTalker: A Multimodal Interactive and Memory-Enhanced Framework for Real-Time Dyadic 3D Head Generation
面向双人对话场景的实时 3D 头部动作生成，其多模态交互上下文提取与语义引导的运动风格记忆机制，可迁移到虚拟人、数字人驱动以及语音驱动的面部动画等需要长时一致性的生成任务。
MS^2Gait：面向基于 LiDAR 的步态识别的多尺度时空融合网络
MS^2Gait: A Multi-Scale Spatio-Temporal Fusion Network for LiDAR-based Gait Recognition
对做点云序列人体分析的研究者，可复用其分层空间特征提取中的四种跨尺度交互策略与基于相似度的时序增强 Transformer——后者用运动一致性动态加权帧、无需显式监督，可直接迁移到动作识别、步态/姿态时序建模等任务。
MOS：弥合光学-SAR模态鸿沟的跨模态船舶重识别
MOS: Mitigating Optical-SAR Modality Gap for Cross-Modal Ship Re-Identification
把光学-SAR跨模态ReID的模态鸿沟拆成表征对齐与样本生成两条线：类级模态对齐损失 + 布朗桥扩散模型合成跨模态样本并在推理时做特征融合，这套「生成式跨模态补全」思路可直接迁移到可见光-红外、RGB-深度等跨模态检索与ReID任务。
MIBURI：迈向富有表现力的交互式手势合成
MIBURI: Towards Expressive Interactive Gesture Synthesis
把全身手势与面部表情编码成多层级离散 token，再用二维因果自回归框架在 LLM 语音-文本嵌入条件下实时生成，为视觉侧的人体动作合成提供了可复用的「部位感知运动编解码 + 因果自回归」范式，适合做实时虚拟人/对话智能体的动作驱动。
MGDHand：面向稀疏 IMU 序列三维手部姿态估计的多粒度先验到惯性蒸馏框架
MGDHand: Multi-Granularity Prior-to-Inertial Distillation Framework for Sequential 3D Hand Pose Estimation from Sparse IMUs
把视觉侧 MANO 融合教师模型的静态形状、动态关节运动学与速度/加速度先验，按粒度解耦蒸馏到稀疏 IMU 学生模型，为视觉-惯性跨模态蒸馏提供了可复用的「按信息密度分层对齐」思路，可直接迁移到人体姿态、动捕等稀疏传感器设定。
MFEN：面向可见光-红外行人重识别的多频专家网络
MFEN: Multi-Frequency Expert Network for Visible-Infrared Person Re-ID
把频域分带调制与混合专家结合，用于抑制光照/波长差异带来的模态鸿沟；做跨模态检索或可见光-红外对齐时，可复用其多频带专家路由与随机频率增强策略。
MAMMA：无标记高精度多人动作捕捉
MAMMA: Markerless Accurate Multi-person Motion Acquisition
以分割掩码为条件、用可学习 query 预测稠密 2D 接触/可见性感知表面关键点，可在严重遮挡与人体交互下建立逐人对应，为多视角 SMPL-X 拟合提供鲁棒 2D 监督与对应关系。
LiveGesture：可流式生成的语音协同手势生成模型
LiveGesture: Streamable Co-Speech Gesture Generation Model
把全身动作按身体区域拆成因果离散词元、再用区域专家自回归模型加时空融合来建模，这套「流式分词器 + 分层自回归」的架构可直接迁移到其他需要零前瞻、任意长度输出的动作/姿态序列生成任务（如虚拟人驱动、动作预测）。
LAMP：度量三维世界中的定位感知多相机人体跟踪
LAMP: Localization Aware Multi-camera People Tracking in Metric 3D World
「先提升后拟合」的思路值得借鉴：先用已知的 6-DoF 位姿与标定把各相机 2D 关键点提升到统一世界坐标系，形成时空射线云，再用端到端 Transformer 直接拟合 3D 人体运动；这样就把观察者自身运动与目标运动解耦，可复用于任何带位姿的多相机或动态相机人体捕捉场景。
IMU-HOI：通过接触感知惯性融合实现连贯人-物交互与运动捕捉的共生框架
IMU-HOI: A Symbiotic Framework for Coherent Human-Object Interaction and Motion Capture via Contact-Conscious Inertial Fusion
把稀疏 IMU 信号与手-物接触概率作为高层路由信号，融合运动学与惯性积分，可在遮挡严重、相机视野受限的场景下替代纯视觉动捕；其接触感知的三阶段融合管线与可插拔设计，可直接接入现有稀疏 IMU 动捕骨干，扩展到人-物联合运动估计。
IDperturb：通过角度扰动增强合成人脸生成的多样性
IDperturb: Enhancing Variation in Synthetic Face Generation via Angular Perturbations
对做人脸识别训练数据的人：把身份嵌入限制在单位超球面的小角度锥内做扰动采样，无需重训扩散模型即可提升合成人脸的类内多样性，可直接作为身份条件扩散生成器的即插即用采样策略。
HyperGait：利用超图释放解析在野外步态识别中的力量
HyperGait: Unleashing the Power of Parsing for Gait Recognition in the Wild via Hypergraph
将人体解析序列作为步态识别输入，并用超图卷积分别建模身体部位间的高阶空间关系与部位时序动态，为野外步态识别提供可复用的高阶相关性建模思路。
HamiPose：面向无监督域自适应姿态估计的哈密顿优化
HamiPose: Hamiltonian Optimization for Unsupervised Domain Adaptive Pose Estimation
把源域监督与目标域一致性之间的梯度冲突显式解耦：按关键点做几何分解、正交投影保留非冲突分量，再用通道门控按置信度校准平行分量，最后用辛普森积分器驱动的哈密顿优化器提供受控动量。做跨域关键点/姿态迁移时可直接复用这套梯度解耦+动量稳定更新的训练流程。
地面反作用力惯性姿态器：基于稀疏 IMU 与鞋垫压力传感器的物理人体运动捕捉
Ground Reaction Inertial Poser: Physics-based Human Motion Capture from Sparse IMUs and Insole Pressure Sensors
用物理仿真器中的合成人形作为数字孪生，把稀疏 IMU 与鞋垫压力信号经 KinematicsNet 估计后，由 DynamicsNet 以残差控制仿真人形，从而得到物理一致的人体运动；这套「运动学估计 + 物理仿真残差修正」的范式可迁移到视频人体运动恢复与物理合理性约束。
Glove2Hand：从多模态传感手套合成自然手物交互
Glove2Hand: Synthesizing Natural Hand-Object Interaction from Multi-Modal Sensing Gloves
用多模态传感手套（触觉+IMU）驱动3D高斯手模型，再经扩散式手部修复器渲染出无遮挡的裸手视频，为严重遮挡下的手部跟踪与接触力估计提供可复用的数据合成与监督信号来源。
GazeShift：面向VR的无监督注视估计与数据集
GazeShift: Unsupervised Gaze Estimation and Dataset for VR
提出一种面向近眼红外图像的无监督注视表征学习框架，通过注意力引导实现注视-外观解耦，并支持轻量少样本校准，为VR场景下的实时注视估计提供了可复用的方法思路。
GazeOnce360：基于鱼眼相机的360度多人视线估计与全局-局部特征融合
GazeOnce360: Fisheye-Based 360deg Multi-Person Gaze Estimation with Global-Local Feature Fusion
把鱼眼畸变下的多人视线估计形式化为一个端到端任务，并用旋转卷积加眼部关键点监督来对抗畸变，再用全局低分辨率与局部高分辨率眼部区域的双分辨率融合保留细粒度眼睛特征；做鱼眼/广角相机下的人体或人脸分析时，这套畸变感知卷积与局部高分辨率裁剪融合可直接复用。
面向随机三维人体运动预测的高斯混合潜变量流
Gaussian-Mixture Latent Flow for Stochastic 3D Human Motion Prediction
用可逆归一化流 + 数据驱动高斯混合先验建模人体运动的随机性，并通过可处理的似然计算给出不确定性估计；做运动预测/生成、需要多样且物理合理结果的工作可直接复用这一潜变量流框架与混合先验设计。
FusionAgent：面向人体识别的动态模型选择多模态智能体
FusionAgent: A Multimodal Agent with Dynamic Model Selection for Human Recognition
把每个生物特征专家模型当作可调用工具，用 MLLM 智能体配合指标驱动的强化微调，为每个测试样本动态选择模型组合，并用基于锚点的置信度 Top-k 融合解决分数错位与嵌入异质性问题；这套「动态模型选择 + 置信度感知融合」思路可直接迁移到多模态或多模型集成的视觉识别系统。
从二维对齐到三维合理性：统一异构二维先验与无穿模扩散实现遮挡鲁棒的双手重建
From 2D Alignment to 3D Plausibility: Unifying Heterogeneous 2D Priors and Penetration-Free Diffusion for Occlusion-Robust Two-Hand Reconstruction
把关键点、分割、深度等视觉基础模型先验以隐式融合编码器吸收，而非作为显式输入，可在不增加基础模型推理成本的前提下提升单目重建精度；同时用带碰撞梯度引导的扩散模型把互穿姿态映射到无碰撞流形，这一「生成式后处理」思路可迁移到人体/多人交互重建与姿态去穿模。
FlashCap：基于闪烁 LED 与事件视觉的毫秒级精确人体运动捕捉
FlashCap: Millisecond-Accurate Human Motion Capture via Flashing LEDs and Event-Based Vision
用闪烁 LED 作为事件相机的高频时间戳信号源，配合 RGB 学习残差姿态，为高时序分辨率人体姿态估计提供了一套低成本、可复用的数据采集与建模范式。
FisherPoser：基于层级区域 Fisher 矩阵不确定性建模的稀疏观测人体运动估计
FisherPoser: Human Motion Estimation from Sparse Observations with Hierarchical Region-Wise Fisher-Matrix Uncertainty Modeling
将关节旋转建模为 SO(3) 上的矩阵 Fisher 分布，输出每个关节的分布而非单一点估计，为稀疏 VR 追踪等欠约束场景提供可校准的逐关节不确定性；其区域级 token 与层级 Fisher 回归思路可迁移到其他需要概率化旋转输出的姿态估计任务。
FedBPrompt：基于身体分布感知视觉提示词的联邦域泛化行人重识别
FedBPrompt: Federated Domain Generalization Person Re-Identification via Body Distribution Aware Visual Prompts
提出可学习的视觉提示词分组机制（整体身体提示词+身体部位对齐提示词）来引导ViT注意力聚焦行人区域，并冻结骨干网络仅微调提示词以降低联邦通信开销，可直接用于ViT-based行人重识别及其他细粒度视觉任务的参数高效域泛化。
FSLoRA：通过频域-空间低秩适配器协调检测与重识别实现单阶段行人搜索
FSLoRA: Harmonizing Detection and Re-Identification via Freq-Spatial Low-Rank Adapter for One-Stage Person Search
把 LoRA 与混合专家结合成骨干网络级的即插即用适配器，并在频域上做任务相关分量的选择性增强，为单阶段检测+重识别这类多任务特征纠缠问题提供了可复用的解耦手段。
FMPose3D：基于流匹配的单目三维姿态估计
FMPose3D: monocular 3D pose estimation via flow matching
把流匹配的少步 ODE 采样引入单目 3D 姿态估计，用不同噪声种子生成多假设、再用重投影后验期望聚合出单一结果，可直接迁移到任何存在深度歧义的 2D→3D 生成式回归任务（手部、动物、物体 6D 位姿）。
利用无标注数据与激光雷达数据集扩充用于人体姿态估计的毫米波数据集
Expanding mmWave Datasets for Human Pose Estimation with Unlabeled Data and LiDAR Datasets
对做毫米波人体姿态估计的研究者，这篇论文提供了一条可复用的数据扩充路径：用闭式转换把带标注的激光雷达点云映射成毫米波点云，再用伪标签估计器标注无标注毫米波数据，从而绕开毫米波标注昂贵、数据稀缺的瓶颈，直接提升模型的域内与跨域泛化。
ExPose：强化视频生成模型以实现极端姿态估计
ExPose: Reinforcing Video Generation Models for Extreme Pose Estimation
用 GRPO 偏好优化把视频生成模型的插帧结果对齐到 3D 一致的监督信号，可作为把生成式插帧当作数据增强/视角补全手段时消除空间不一致的通用做法。
EventGait：面向事件流的鲁棒步态识别
EventGait: Towards Robust Gait Recognition with Event Streams
把事件相机引入步态识别，用脉冲专家混合（MoSE）建模微秒级动态、用跨模态结构对齐（CroSA）借助大视觉基础模型蒸馏稠密形状表征，为低光照/高动态场景下的人体运动识别提供了可复用的双流事件表征方案。
基于动态唇纹分析的视觉说话人认证安全性增强
Enhancing the Security of Visual Speaker Authentication Based on Dynamic Lip-Print Analysis
把唇部动态建模成可复用的「动态唇纹」判别片段，并用多层动态增强编码器在短时序、少注册数据下做细粒度特征提取，这套思路可直接迁移到唇语识别、说话人认证与活体检测等视觉身份任务。
以条件手部调制器增强三维全身姿态估计中的手部
Enhancing Hands in 3D Whole-Body Pose Estimation with Conditional Hands Modulator
用预训练手部估计器的特征通过轻量调制器（CHAM）注入全身姿态网络的特征流，无需重训全身模型即可修正手腕朝向；手指关节与手形则经可微刚性对齐贴到全身网格上，这套「冻结主干+外挂专家调制」的模块化思路可直接迁移到其他部位精度不足的全身/多人重建任务。
基于概率评估与校准提升外观式视线跟踪中不确定性估计的准确性
Enhancing Accuracy of Uncertainty Estimation in Appearance-based Gaze Tracking with Probabilistic Evaluation and Calibration
把不确定性估计当作输出级条件分布匹配问题，用少量校准样本做事后校准，可直接迁移到视线跟踪、头部姿态、关键点回归等回归式视觉任务在域偏移下的置信度修正。
EmoTaG：基于高斯泼溅与少样本个性化的情感感知说话头合成
EmoTaG: Emotion-Aware Talking Head Synthesis on Gaussian Splatting with Few-Shot Personalization
把运动预测从直接形变 3D 高斯改为在 FLAME 参数空间回归，为少样本音频驱动说话头提供显式几何先验；其门控残差运动网络用音频情感韵律补全音频缺失的头部姿态与上半脸线索，可直接迁移到其他音频驱动的人脸/人体动画管线。
第一人称视角可见性感知的人体姿态估计
Egocentric Visibility-Aware Human Pose Estimation
针对第一人称视角下关键点不可见问题，提出显式建模可见性信息的方法，并构建带可见性标注的大规模数据集，为遮挡/不可见场景下的姿态估计提供可复用思路与评测基准。
EgoPoseFormer v2：面向AR/VR的精确第一人称人体运动估计
EgoPoseFormer v2: Accurate Egocentric Human Motion Estimation for AR/VR
提出身份条件查询、多视角空间精炼和因果时序注意力，在恒定计算预算下实现时序一致且空间对齐的人体姿态估计；其不确定性感知的半监督自标注系统可复用于其他标注稀缺的视觉任务。
E-3DPSM：用于基于事件的自我中心3D人体姿态估计的状态机
E-3DPSM: A State Machine for Event-based Egocentric 3D Human Pose Estimation
将连续时间状态机与事件流对齐，为事件相机下的单目3D人体姿态估计提供了一种实时、抗自遮挡和时序抖动的建模范式，可迁移到其他事件驱动的连续运动估计任务。
Dynamic Magic：释放受限知识以实现终身行人重识别
Dynamic Magic: Unleashing Restricted Knowledge for Lifelong Person Re-Identification
把大预训练模型与动态扩展的模块化适配器结合，用域感知调度和相似度引导的自动选择器在推理时路由输入，为视觉里「持续学习新域又不遗忘旧域」提供了一套可复用的参数隔离+共享适配器协作框架。
基于最优教师池的动态标签噪声抑制用于面部表情识别
Dynamic Label Noise Suppression with Optimal Teacher Pool for Facial Expression Recognition
针对表情识别中标签歧义导致的噪声标签问题，提出动态维护多个最优教师模型并融合其预测的教师池机制，配合基于预测-标签相似度的自适应标签平滑与基于质心置信度的 logits 加权，可直接迁移到其他人脸/人体属性识别任务的噪声标签训练中。
D^3FER：双通道双分支网络用于双重挑战下的鲁棒面部表情识别
D^3FER: Dual Channel and Dual Branch Network for Robust Facial Expression Recognition under Dual Challenges
动态队列机制从预测置信度自适应估计噪声阈值，可用于任何存在标签噪声的视觉分类任务；双通道弱/强视图增强与动量更新的Query-Key双分支结构，为半监督学习提供可靠伪标签和稳定推理。
COPE：面向遮挡行人重识别的一致遮挡与提示词增强网络
COPE: Consistent Occlusion and Prompt Enhancement Network for Occluded Person Re-identification
针对遮挡行人重识别，CICO 在不同身份上施加相同遮挡并拉近同一遮挡区域的特征，PBF 用视觉-语言对齐生成前景热图做随机背景填充，PSS 用提示词引导的可靠性分数修正检索相似度——这套「一致遮挡 + 提示词可靠性打分」思路可直接迁移到其他存在遮挡或背景干扰的检索/匹配任务。
CLEX：面向噪声面部表情识别的互补标签交换学习
CLEX: Complementary Label Exchange Learning for Noisy Facial Expression Recognition
针对野外表情识别中的标签噪声问题，提出通过交换增强视图间的非目标logit来构造一致性约束，并配合尺度不变归一化和互补抑制损失，为视觉分类任务中利用非目标预测抑制虚假激活提供了可复用的正则化手段。
CIGPose：面向全身姿态估计的因果干预图神经网络
CIGPose: Causal Intervention Graph Neural Network for Whole-Body Pose Estimation
把视觉上下文当作混淆因子、用因果干预模块替换被混淆的关键点表征，这一去混淆思路可直接迁移到其他易受上下文虚假关联影响的关键点/密集预测任务（如手部姿态、动物姿态、遮挡场景下的检测）。
打破虚假相关：用于AU检测的不确定性驱动因果Transformer
Breaking Spurious Correlations: Uncertainty-Driven Causal Transformers for AU Detection
将Transformer注意力权重参数化为高斯分布以建模不确定性，并引入因果干预模块抑制混淆偏差，可复用于其他存在标签噪声和类别不平衡的细粒度人脸分析任务。
面向激光雷达人体运动捕捉的贝塞尔退化建模
Bezier Degradation Modeling for LiDAR-based Human Motion Capture
把人体运动序列用时间上可压缩的贝塞尔曲线表示，并用多尺度 Time-scale Motion Transformer 预测控制点，为点云输入下的遮挡补全与抖动抑制提供了可复用的轨迹参数化思路。
超越静态帧：用于人体姿态估计的时序聚合与恢复视觉 Transformer
Beyond Static Frames: Temporal Aggregate-and-Restore Vision Transformer for Human Pose Estimation
提出一种即插即用的时序聚合与恢复模块，可增强现有单帧 ViT 姿态估计器，利用相邻帧信息提升运动模糊、遮挡等挑战场景下的关键点定位稳定性。
BarbieGait：面向步态识别的身份一致且支持多样换装的合成人体数据集
BarbieGait: An Identity-Consistent Synthetic Human Dataset with Versatile Cloth-Changing for Gait Recognition
用虚拟引擎把真实受试者映射为可控换装的合成步态数据，为跨衣物步态识别提供可扩展训练/评测源；GaitCLIF 的衣物不变特征学习思路可迁移到其他需抑制外观变化的生物特征识别任务。
BIT：面向可见光-红外行人重识别的基于匹配的双向交互变换网络
BIT: Matching-based Bi-directional Interaction Transformation Network for Visible-Infrared Person Re-Identification
把 VI-ReID 从「在共享嵌入空间里做刚性特征对齐」改成「对可见光-红外图像对做显式的双向匹配交互」，其中 query-aware scoring 与双向特征融合可作为跨模态检索/匹配任务的通用模块复用，尤其适用于红外样本远少于可见光样本的分布偏移场景。
解剖域偏移：面向三维人体姿态预测的测试时异构自适应
Anatomical Domain Shifts: Test-time Heterogeneous Adaptation for 3D Human Pose Prediction
把测试时自适应的参数更新按人体解剖部位（躯干、四肢等）分组，用 Fisher 信息矩阵划分参数子集、用 IN 统计量与 EMD 度量各部位的域偏移程度，从而只对发生偏移的肢体做微调或回滚——这套「按语义部位分组 + 分组级域差异度量」的思路可直接迁移到人体姿态/动作预测、人体网格恢复等任务中应对局部域偏移。
Agent4FaceForgery：面向真实场景人脸伪造检测的多智能体大语言模型框架
Agent4FaceForgery: Multi-Agent LLM Framework for Realistic Face Forgery Detection
用 LLM 多智能体在模拟社交环境中合成带细粒度文本-图像一致性标注的伪造数据，并用自适应拒绝采样保证质量与多样性，可直接作为深度伪造检测器的训练数据增强管线复用。
动作基元：人体运动的自监督分层表示
Action Motifs: Self-Supervised Hierarchical Representation of Human Body Movements
把 3D 人体姿态序列切成变长片段、每段压成一个潜变量词元，再用掩码词元预测自监督地学出可复用的动作基元（Action Motifs），这种分层潜变量 Transformer 可直接迁移到动作识别、运动预测与运动插值的表征预训练中。
ARMFlow：用于在线三维人体反应生成的自回归平均流模型
ARMFlow: AutoRegressive MeanFlow for Online 3D Human Reaction Generation
把 MeanFlow 的单步速度预测与因果上下文编码器结合，用于在线人体反应动作生成；BSCE（用生成历史而非真值编码）是缓解自回归误差累积的可复用训练技巧，可迁移到其他流式动作/视频生成任务。
真实世界中多域内人脸伪造检测的合理性检验
A Sanity Check for Multi-In-Domain Face Forgery Detection in the Real World
针对多域人脸伪造检测中域差异主导特征空间的问题，提出模型无关的两阶段框架 DevDet，通过 Face Forgery Developer 放大真伪差异并结合 Dose-Adaptive 微调策略，使检测器在域未指定条件下仍能做出单帧独立判断，为真实场景下的深度伪造检测提供了可复用的训练范式。