HGMamba：用于增强 3D 人体姿态估计的超图 GCN-Mamba 网络
计算机视觉与模式识别
2025-04-10 v1
摘要
3D 人体姿态提升是一项热门的研究领域，利用估计人体 2D 姿态数据进行训练。虽然现有方法主要致力于提升估计 2D 姿态的性能，但往往难以应用于真实 2D 姿态数据。我们观察到，要实现来自真实 2D 姿态的精准 3D 姿态重建，需精确建模局部姿态结构，同时具备从所有关节中提取稳健全局时空特征的能力。为此，我们提出了一种新型超图 GCN 和 Shuffle Mamba (HGMamba) 块，通过两个平行流处理输入数据：Hyper-GCN 和 Shuffle-Mamba。Hyper-GCN 流将人体结构建模为具有不同粒度的超图，以有效捕获局部关节依赖性。而 Shuffle-Mamba 流则利用状态空间模型对所有关节进行时空扫描，从而建立全局依赖性。通过自适应融合这两种表示，HGMamba 在强大的全局特征建模方面表现出色，同时在局部结构建模方面卓尔不群。我们将多个 HGMamba 块堆叠以创建三个模型变体，允许用户根据所需的速度-精度权衡选择最合适的配置。在 Human3.6M 和 MPI-INF-3DHP 基准数据集上的广泛评估表明，我们的方法有效。HGMamba-B 在各数据集上分别实现了 38.65 mm 和 14.33 mm 的 P1 误差。代码和模型均可用：https://github.com/HuCui2022/HGMamba
引用
@article{arxiv.2504.06638,
title = {HGMamba: Enhancing 3D Human Pose Estimation with a HyperGCN-Mamba Network},
author = {Hu Cui and Tessai Hayama},
journal= {arXiv preprint arXiv:2504.06638},
year = {2025}
}
备注
accepted by IJCNN2025