3DHR-Co：一种面向野外 3D 人体重建任务的协同测试时精化框架

近年来，利用参数化姿态与形状表示的 3D 人体重建（简称 3DHR）领域取得了显著进展。然而，将 3DHR 技术应用于处理真实世界多样化场景（即野外数据）仍面临局限。主要挑战在于，由于多种因素，为野外场景获取准确的 3D 人体姿态真值（GT）仍十分困难。近期关于 3DHR 的测试时精化方法利用初始的 2D 现成人体关键点信息，以弥补野外数据上 3D 监督的缺失。但我们观察到，仅额外的 2D 监督会导致常见 3DHR 骨干网络过拟合，使 3DHR 测试时精化任务看似难以处理。我们提出一种在协同方法下补充 3DHR 测试时精化工作的策略以应对该挑战。具体而言，我们首先应用一种预适应方法，通过在单一框架中协同多种 3DHR 模型来直接改进其初始输出。该方法随后在特定设置下与测试时适应工作进一步结合，以最小化过拟合问题，从而进一步提升 3DHR 性能。整个框架称为 3DHR-Co，在实验方面，我们表明所提工作能显著增强常见经典 3DHR 骨干网络得分，最高实现 -34 mm 姿态误差抑制，使其跻身野外基准数据上的顶尖之列。这一成就表明，我们的方法有助于释放常见经典 3DHR 骨干网络的真正潜力。基于这些发现，我们进一步探究所提框架的多种设置，以更好地阐述我们的协同方法在 3DHR 任务中的能力。