元学习自适应优化用于鲁棒人体网格重建与不确定性感知参数更新
计算机视觉与模式识别
2026-03-30 v1 机器学习
摘要
从单张图像中进行人体网格重建仍然具有挑战性，因为存在固有的深度模糊且跨域泛化能力有限。虽然近期方法结合了回归和优化方法，但它们在测试时优化的初始化较差且优化过程中的参数更新效率低下。我们提出了一种新颖的元学习框架，训练模型以产生利于优化的初始化，同时在测试时优化中融入不确定性感知的自适应更新。我们的方法引入了三项关键创新：（1）一种元学习策略，在训练期间模拟测试时优化以学习更好的参数初始化；（2）一种选择性参数缓存机制，识别并冻结已收敛的关节以减少计算开销；（3）基于分布的参数自适应更新，从已学习的分布中对参数变化进行采样，实现鲁棒探索同时量化不确定性。此外，我们采用随机近似技术来处理复杂损失景观中不可处理的梯度。在标准基准上的广泛实验表明，我们的方法达到了最先进的性能，在 3DPW 上将 MPJPE 降低了 10.3，在 Human3.6M 上降低了 8.0。与强基线相比。我们的方法表现出优越的域适应能力，在不同环境条件下性能退化最小，同时提供了与实际预测误差相关的有意义的不确定性估计。结合元学习和自适应优化实现了精确的网格重建和对挑战性场景的鲁棒泛化。
引用
@article{arxiv.2603.26447,
title = {Meta-Learned Adaptive Optimization for Robust Human Mesh Recovery with Uncertainty-Aware Parameter Updates},
author = {Shaurjya Mandal and Nutan Sharma and John Galeotti},
journal= {arXiv preprint arXiv:2603.26447},
year = {2026}
}