（ステレオカメラ等の）マルチビュー設定に依存せず、単眼カメラで取得したビデオから動画内の人物の2Dポーズを抽出し学習するようにした。

3D Poses in the Wild DatasetでHuman Mesh and Motion Recovery(HMMR)モデルを評価、ファインチューニング未実施で3D予測タスクの最高精度（SOTA）を達成。