animal pose estimation is an important field that has received increasing
attention in the recent years. The main challenge for this task is the lack of
labeled data. Existing works circumvent this problem with pseudo l
通过多假设姿势合成领域适应(PoSynDA)框架,本研究克服了当前 3D 人体姿势估计器在适应新数据集方面的挑战,而无需繁琐的目标域注释。利用扩散中心结构,PoSynDA 模拟了目标域中的 3D 姿势分布,填补了数据多样性缺口。通过结合多假设网络,它创建了多样的姿势假设,并将其与目标域对齐。目标特定的源增强从源域中以解耦比例和位置参数的方式获得目标域分布数据。师生范式和低秩适应进一步完善了该过程。PoSynDA 在 Human3.6M、MPI-INF-3DHP 和 3DPW 等基准测试中表现出竞争力,甚至与目标训练的 MixSTE 模型相当。这项工作为实际应用 3D 人体姿势估计铺平了道路。代码可在链接中获取。