HyperDiff：面向 3D 人体姿态估计的超图引导扩散模型
计算机视觉与模式识别
2025-08-21 v1
摘要
单目 3D 人体姿态估计( HPE )在 2D 至 3D 升级过程中常面临深度歧义和遮挡等挑战。此外，传统方法可能忽略多尺度骨架特征，导致姿态估计精度受影响。为此，本文提出一种新型 3D 姿态估计方法 HyperDiff，将扩散模型与 HyperGCN 集成。扩散模型有效捕获数据不确定性，缓解深度歧义和遮挡问题。HyperGCN 作为去噪器，采用多粒度结构精准建模关节之间的高阶关联，提高模型在复杂姿态下的去噪能力。实验结果表明，HyperDiff 在 Human3.6M 和 MPI-INF-3DHP 数据集上实现了最先进的性能，能够灵活调整计算资源以在性能和效率之间进行平衡。
引用
@article{arxiv.2508.14431,
title = {HyperDiff: Hypergraph Guided Diffusion Model for 3D Human Pose Estimation},
author = {Bing Han and Yuhua Huang and Pan Gao},
journal= {arXiv preprint arXiv:2508.14431},
year = {2025}
}