PRGCN：用于 3D 人体姿态估计中的跨序列模式复用的图内存网络

单目 3D 人体姿态估计由于 2D 到 3D 升降中的深度歧义，仍然是一个根本不确定的逆问题。虽然当代视频方法利用时间上下文来增强空间推理，但它们 operate under a critical paradigm limitation：以孤立序列处理方式进行，无法利用贯穿人类运动的强结构规律和重复运动模式。这一工作引入模式复用图卷积网络 (PRGCN)，一个新框架，将姿态估计形式化为模式检索和适应的问题。其核心，PRGCN 具备一个学习并存储紧凑姿态原型的图内存库，这些原型以关系图形式编码，通过注意力机制动态检索以提供结构化先验。这些先验通过记忆驱动的图卷积与硬编码的解剖约束相适应地融合，以确保几何上可信。为支撑该检索过程， 我们设计了一个双流混合架构， synergistically 结合 Mamba 基于状态空间模型的线性复杂度、局部时间建模与自注意力的全局关系能力。广泛的在 Human3.6M 和 MPI-INF-3DHP 基准上的评估表明，PRGCN 建立了新的状态-of-the-art，分别实现了 37.1mm 和 13.4mm 的 MPJPE，同时展现出增强的跨域泛化能力。我们的工作认为，长期忽视的跨序列模式复用机制是推动该领域发展的关键，将范式从每个序列的优化转向累积知识学习。