基于网格感知的多视角多人篮球 3D 位姿估计中的三角测量
计算机视觉与模式识别
2026-05-29 v1
摘要
团队运动场景下的多视角多人 3D 位姿估计仍面临着玩家遮挡、球队制服导致的外观相似性以及标注多视角数据稀缺等挑战，这些因素限制了基于学习的方法的有效性和泛化能力。相比之下，训练自由方法的性能天然受限于 2D 关键点检测的准确度以及跨视角关联的鲁棒性。为解决这些挑战，我们提出 Mesh-Aware Epipolar Matching (MAEM)，一个面向多视角多人 3D 位姿估计的训练自由框架。该方法采用单目 3D 人体网格恢复模型作为前端，引入基于恢复网格输出的两阶段三角测量策略。具体而言，所提出的框架结合基于并查集的聚类与逐关节三角测量，实现稳健的跨视角关联和准确的 3D 位姿重建。在两个公开的多视角篮球数据集上进行实验，结果表明 MAEM 在训练自由关联基线中始终优于现有方法，在室内和户外篮球场景中仅使用 RGB 信息即可实现具有竞争力的性能。MAEM 在 SportCenter EPFL 和 Human-M3 Basketball 数据集上的 MPJPE/PA-MPJPE 分别为 59.8/40.7 mm 和 74.0/51.8 mm，凸显了稠密网格几何在无需目标域训练或微调的情况下实现跨视角关联的有效性。
关键词
引用
@article{arxiv.2605.29953,
title = {Mesh-Aware Epipolar Matching for Multi-View Multi-Person 3D Pose Estimation in Basketball},
author = {Li Yin and Qin Haobin and Tomohiro Suzuki and Calvin Yeung and Mariko Isogawa and Keisuke Fujii},
journal= {arXiv preprint arXiv:2605.29953},
year = {2026}
}