[论文翻译]基于自上而下与自下而上网络集成的单目3D多人姿态估计

在单目视频三维多人姿态估计中，人际遮挡和紧密互动会导致人体检测错误和关节分组不可靠。现有自上而下方法依赖人体检测，因此受这些问题影响。现有自下而上方法虽不使用人体检测，但一次性处理所有同尺度人物，使其对多人尺度变化敏感。为解决这些挑战，我们提出融合两种方法以发挥各自优势：自上而下网络从图像块中估计所有人而非单人的关节，使其对可能错误的边界框具有鲁棒性；自下而上网络引入基于人体检测的归一化热图，增强处理尺度变化的能力。最终，两个网络输出的三维姿态估计被送入集成网络生成最终结果。除网络融合外，不同于现有仅针对单人设计的姿态判别器（无法评估自然人际互动），我们提出强制自然双人互动的双人姿态判别器。此外，采用半监督方法缓解三维真值数据稀缺问题。定量与定性实验验证了方法的有效性。代码已开源。[1]