面向自适应 3D 人体姿态恢复的形状轮廓拓扑对齐

以关节为中心的 2D/3D 姿态监督构成了大多数现有 3D 人体姿态估计技术的核心训练目标。除合成源环境外，在部署时为每个真实目标域获取此类丰富监督极为不便。然而，我们意识到标准前景轮廓估计技术（基于静态相机馈送）不受域偏移影响。受此启发，我们提出一种新颖的目标自适应框架，仅依赖轮廓监督来调整源训练的基于模型的回归器。但在无任何辅助线索（多视图、深度或 2D 姿态）的情况下，孤立的轮廓损失无法提供可靠的特定姿态梯度，需与以拓扑为中心的损失协同使用。为此，我们开发了一系列卷积友好的空间变换，以从原始轮廓中解耦出拓扑骨架表示。该设计铺平了通过距离场计算设计受 Chamfer 启发的空间拓扑对齐损失的道路，同时有效避免任何阻碍梯度的空间到点集映射。实验结果表明，在将源训练模型自适应至多样无标签目标域（如 a) 野外数据集，b) 低分辨率图像域，以及 c) 对抗扰动图像域（经由 UAP））时，我们优于先前方法。