Probablistic Restoration with Adaptive Noise Sampling for 3D Human Pose Estimation

本文提出了一种概率修复三维人体姿势估计框架（PRPose），可以与任何轻量级单假设模型集成。当前，2D姿态检测误差和2D到3D的不适定挑战限制了3D人体姿态估计（HPE）的准确性和鲁棒性，这引起了多假设HPE研究的广泛关注。大多数现有的多假设HPE方法基于生成模型，计算成本高且难以训练。具体而言，PRPose采用弱监督方法来拟合单假设HPE模型中2D到3D提升过程的隐藏概率分布，然后通过自适应噪声采样策略将分布反向映射到2D姿态输入，从而有效地生成合理的多假设样本。在3D HPE基准测试（Human3.6M和MPI-INF-3DHP）上的广泛实验表明了PRPose的有效性和效率。代码可在https://github.com/xzhouzeng/PRPose上获得。

本文旨在解决3D人体姿态估计中的多假设问题，并提出了一种轻量级的概率恢复框架PRPose。

PRPose框架采用弱监督方法来拟合单假设模型中2D到3D提取过程的潜在概率分布，然后通过自适应噪声采样策略将分布反向映射到2D姿态输入，从而有效地生成合理的多假设样本。

实验结果表明，PRPose框架在3D人体姿态估计基准测试中具有高效和有效的性能，并且开源代码已经在github上发布。

最近的相关研究包括：Multi-Hypothesis Human Pose Estimation with Deep Structured Models、Probabilistic Multi-Hypothesis Pose Estimation for Human Monocular Video、Generative Multi-Hypothesis Pose Estimation with Normalizing Flows等。