适应性图 Kolmogorov-Arnold 网络用于3D人体姿态估计
计算机视觉与模式识别
2025-11-13 v1
摘要
基于图卷积网络(GCN)的方法已在3D人体姿态估计中显示出强大的性能，因其利用人体骨架的自然图结构。然而，其局部感受野限制了其捕捉处理遮挡和深度歧义所必需的长程依赖的能力。它们还表现出谱偏差，优先考虑低频分量，同时难以建模高频细节。本文引入PoseKAN，一种适应性图Kolmogorov-Arnold网络(KAN)，框架扩展了KANs以进行基于图的学习，从单张图像进行2D到3D姿态提升。与使用固定激活函数的GCN不同，KANs在图边上采用可学习函数，允许数据驱动的、适应性的特征转换。这增强了模型的适应性和表达性，使其在学习复杂姿态变体方面更具表达性。我们的模型采用多跳特征聚合，确保身体关节可从本地和远程邻居处获取信息，从而提高了空间感知能力。它还包含残差PoseKAN模块用于更深层的特征细化，以及全局响应归一化以提高特征选择性和对比度。大量实验表明，我们的方法在基准数据集上表现出竞争性能。
引用
@article{arxiv.2511.08809,
title = {Adaptive graph Kolmogorov-Arnold network for 3D human pose estimation},
author = {Abu Taib Mohammed Shahjahan and A. Ben Hamza},
journal= {arXiv preprint arXiv:2511.08809},
year = {2025}
}