用于三维人体姿态估计的迭代图滤波网络

图卷积网络（GCNs）已被证明是三维人体姿态估计的一种有效方法。通过将人体骨架结构自然地建模为图，GCNs能够捕捉关节之间的空间关系并学习底层姿态的高效表示。然而，大多数基于GCN的方法使用共享权重矩阵，难以准确捕捉关节之间不同且复杂的关系。本文提出了一种用于三维人体姿态估计的迭代图滤波框架，旨在给定图像中一组二维关节位置的情况下预测三维关节位置。我们的方法建立在通过高斯-赛德尔（Gauss-Seidel）迭代法迭代求解带拉普拉斯正则化的图滤波这一思想之上。受该迭代解法的启发，我们设计了高斯-赛德尔网络（GS-Net）架构，其利用了权重与邻接调制、跳跃连接以及带层归一化的纯卷积块。邻接调制有助于学习超出身体关节固有连接的边，从而产生反映人体骨架的调整后图结构，而跳跃连接则随着网络深度增加帮助保留来自输入层初始特征的关键信息。我们在两个标准基准数据集上评估了所提模型，并与一组全面的三维人体姿态估计强基线方法进行比较。实验结果表明，我们的方法在两个数据集上均优于基线方法，达到了最先进的性能。此外，我们进行了消融实验以分析模型架构不同组件的贡献，并表明跳跃连接与邻接调制有助于提升模型性能。