Sep, 2023
LInKs（独立关键点提升）-- 用于2D-3D人体姿势估计中改进准确性的局部姿势提升技术
LInKs "Lifting Independent Keypoints" -- Partial Pose Lifting for
Occlusion Handling with Improved Accuracy in 2D-3D Human Pose Estimation
TL;DR我们提出了一种新的无监督学习方法LInKs，用于从单幅图像的2D运动骨架中恢复3D人体姿势，即使存在遮挡。我们的方法采用独特的两步过程，首先将被遮挡的2D姿势提升到3D领域，然后使用部分重建的3D坐标来填充被遮挡的部分。相比仅在2D空间中完成姿势的模型，我们的提升-填充方法能够带来更准确的结果。此外，我们通过自定义采样函数改善了正态化流的稳定性和似然估计，取代了之前在先前工作中使用的PCA降维方法。此外，我们首次调查了是否可以独立提升2D运动骨架的不同部分，我们发现这一方法可以降低当前提升方法的误差，这归功于减少了远距离关键点的相关性。在我们的详细评估中，我们量化了在各种现实遮挡场景下的误差，展示了我们模型的多样性和适用性。与在2D空间中完成姿势的其他模型相比，我们的结果始终表明在3D空间中处理所有类型的遮挡更为有效。我们的方法在没有遮挡的场景中也表现出一致的准确性，证实了相较于Human3.6M数据集上的先前方法，重建误差减少了7.9%。此外，我们的方法在没有完整2D姿势信息的情况下，仍然能够准确地获取完整的3D姿势，因此在此类场景中具有广泛的应用价值。