终身域自适应 3D 人体姿态估计
计算机视觉与模式识别
2026-01-16 v2 人工智能
机器学习
摘要
3D 人体姿态估计（3D HPE）在从行人重识别、动作识别到虚拟现实等各种应用中都至关重要。然而，依赖在受控环境中收集的标注 3D 数据，给泛化到多样的野外场景带来了挑战。现有的 3D HPE 域自适应（DA）范式（如一般 DA 和无源 DA）忽略了非平稳目标姿态数据集的问题。为了应对这些挑战，我们提出了一项名为终身域自适应 3D HPE 的新任务。据我们所知，我们是首个将终身域自适应引入 3D HPE 任务的研究。在这种终身 DA 设置中，姿态估计器在源域上进行预训练，随后适应到不同的目标域。此外，在适应当前目标域时，姿态估计器无法访问源域和所有先前的目标域。3D HPE 的终身 DA 需要克服适应当前域姿态和保留先前域知识的挑战，特别是对抗灾难性遗忘。我们提出了一种创新的生成对抗网络（GAN）框架，该框架集成了 3D 姿态生成器、2D 姿态判别器和 3D 姿态估计器。该框架有效缓解了域偏移，并对齐了原始和增强的姿态。此外，我们构建了一种新颖的 3D 姿态生成器范式，融合了姿态感知、时间感知和域感知知识，以增强当前域的适应性并减轻对先前域的灾难性遗忘。通过在多样域自适应 3D HPE 数据集上的大量实验，我们的方法展现出优越的性能。
引用
@article{arxiv.2512.23860,
title = {Lifelong Domain Adaptive 3D Human Pose Estimation},
author = {Qucheng Peng and Hongfei Xue and Pu Wang and Chen Chen},
journal= {arXiv preprint arXiv:2512.23860},
year = {2026}
}
备注
Accepted by AAAI 2026