用于 3D 人体姿态估计领域泛化的双重增强器框架

在受控实验室环境中采集的 3D 人体姿态数据，给跨多样化场景泛化的姿态估计器带来了挑战。为解决此问题，引入了领域泛化。当前 3D 人体姿态估计领域泛化的方法通常利用对抗训练来生成用于训练的合成姿态。然而，这些方法存在若干局限性。首先，由于缺乏关于目标域的先验信息，通过单一姿态增强器应用合适的增强变得复杂，影响了在目标域上的泛化。此外，对抗训练的判别器倾向于强制源姿态与合成姿态之间的相似性，阻碍了对源外分布的探索。而且，姿态估计器的优化未暴露于领域偏移，限制了其整体泛化能力。为解决这些局限性，我们提出了一个包含两个姿态增强器的新颖框架：弱增强器和强增强器。我们的框架在生成和判别过程中采用差异化策略，在无需目标姿态先验信息的情况下，促进了源姿态相关知识的保留与源外分布的探索。此外，我们利用元优化在姿态估计器的优化过程中模拟领域偏移，从而提高其泛化能力。正如在多个基准数据集上的综合实验所证明的，我们提出的方法显著优于现有方法。我们的代码将发布于 \url{https://github.com/davidpengucf/DAF-DG}。