zyd_994264926326的博客

这篇文章介绍了一种基于扩散模型的3D人体姿态估计方法（简称DDHPose）。该方法创新性地提出了，结合了层级的空间和时间去噪器，提升了在人体关节上的建模能力。下面详细介绍其创新点和之前的技术架构。

GLoT 是一种针对基于视频的 3D 人体姿态和形状估计的全局到局部建模方法。它通过结合深度神经网络和人体的先验结构来捕捉长时依赖（long-range global dependency）和局部细节

这篇论文主要介绍了一个名为TransHuman的新框架，它是一个基于Transformer的人体表示模型，用于实现可泛化的神经人体渲染。这项工作的目标是从一个或多个视角的视频训练出发，生成能够泛化到新视角和新主体的高质量3D人体动态渲染。传统的神经渲染方法通常依赖于卷积神经网络（CNN）或其他特定模型进行人体渲染。然而，这些方法往往在处理多样化的人体姿态和外观时表现出局限性，尤其在面对不同光照条件、复杂的背景或姿势变化时，模型的泛化能力较差。

由于深度模糊和自遮挡，使得单目视频的3D人体姿态估计更具有挑战性。现有的大部分网略都通过时空结合来解决这个问题，但是其实3DHPE其实是一个逆问题，即存在多个可行解（即假设），要从这多个假设中找出最优解。本篇论文提出了MHFormer，它是一个基于Transformer的三阶段框架，用于从单目视频中估计3D人体姿态，通过学习多个合理姿态假设的空间-时间表征来生成这些假设。

频率域是一个在3D人体姿态估计领域很少被探索的领域。PoseFormerV2通过将输入序列转换到频率域，并利用离散余弦变换（DCT）系数来表示这些序列，从而有效地结合了时域和频域的信息。PoseFormerV2通过创新地结合时频特征融合模块和DCT变换，解决了长序列处理效率和噪声鲁棒性的挑战，展示了在3D人体姿态估计任务中的潜力。这一方法为未来在这一领域的研究提供了新的思路。

这篇论文提出了PoseFormer，一个基于纯变换器架构的3D人体姿态估计模型，它通过空间变换器模块捕捉视频中每帧内2D关节的局部关系，以及时间变换器模块处理帧间的全局时间依赖性。在Human3.6M和MPI-INF-3DHP两个标准数据集上的实验结果表明，PoseFormer在多个评估指标上达到了最先进的性能，并且通过消融研究验证了模型各组件的有效性。此外，PoseFormer在小规模数据集上的泛化能力测试显示，使用大规模数据集进行预训练后微调可以显著提升模型性能。该模型不仅准确度高，而且推理速度快，适合

这篇论文主要研究了2D人体姿态估计的高效架构设计。姿态估计在以人为中心的视觉应用中发挥着关键作用，但由于基于HRNet的先进姿态估计模型计算成本高昂（每帧超过150 GMACs），难以在资源受限的边缘设备上部署。因此，该论文提出了一个核心问题：在轻量模型上，高分辨率+多分支结构是否真正必要。为了解决这一问题，论文作者设计了一个渐进收缩实验，发现高分辨率分支对于低计算区域的模型是多余的。基于这一发现，他们提出了LitePose，这是一种用于自底向上姿态估计的高效架构。

自下而上的HPE在预测小个体的正确姿态方面存在困难，故提出HigherHRNet——使用高分辨率特征金字塔学习尺度感知表示。通过高分辨率特征金字塔和多分辨率监督与聚合，解决了尺度变化带来的挑战，实现了更精确的关键点定位，尤其在处理小个体时表现优异。特征金字塔的主要思想是通过构建多尺度的特征表示，使得模型能够在不同尺度下对目标进行预测。二维人体姿态估计旨在定位人体的关键点或部位，是理解人类行为的重要技术。目前的方法主要分为自上而下和自下而上两类。

2D HPE 依然面临的。