PyCAT4：一种基于分层 Vision Transformer 的 3D 人体姿态估计框架
计算机视觉与模式识别
2026-05-27 v3 机器学习
摘要
近年来，通过将卷积神经网络（CNN）与金字塔网格对齐反馈环路相结合，3D 人体姿态估计的准确性取得了显著提升。此外，通过采用基于 Transformer 的时间分析架构，计算机视觉领域也取得了创新性突破。鉴于这些进展，本研究旨在深入优化和改进现有的 Pymaf 网络架构。本文的主要创新点包括：（1）引入基于自注意力机制的 Transformer 特征提取网络层，以增强对低级特征的捕获能力；（2）通过特征时间融合技术，增强对视频序列中时间信号的理解与捕获；（3）实现空间金字塔结构以完成多尺度特征融合，有效平衡不同尺度间的特征表示差异。本研究获得的新 PyCAT4 模型在 COCO 和 3DPW 数据集上进行了实验验证。结果表明，所提出的改进策略显著增强了网络在人体姿态估计中的检测能力，进一步推动了人体姿态估计技术的发展。
引用
@article{arxiv.2508.02806,
title = {PyCAT4: A Hierarchical Vision Transformer-based Framework for 3D Human Pose Estimation},
author = {Zongyou Yang and Jonathan Loo and Yinghan Hou},
journal= {arXiv preprint arXiv:2508.02806},
year = {2026}
}
备注
10 pages, 20 figures