基于运动离散化的3D人体姿态估计鲁健长期测试时适应
计算机视觉与模式识别
2025-11-25 v1
摘要
在线测试时适应通过在作出最终预测之前对 unlabeled 流式测试输入进行适应来解决训练-测试间的领域差距。然而，针对3D人体姿态估计的在线适应由于依赖于不完美预测的自监督，存在误差累积，导致性能随时间恶化。为缓解这一根本性挑战，我们提出了一种新颖解决方案，强调运动离散化的作用。具体而言，我们在潜在运动表示空间中采用无监督聚类，以派生一组锚定运动，其规律性有助于监督人体姿态估计器并实现高效的自我回放。此外，我们引入了一种有效且高效的软重置机制，通过在持续适应期间将姿态估计器恢复到其指数移动平均值来实现。我们考察长期在线适应，通过持续适应同一个体的 out-of-domain 流式测试视频，这有助于在整个流式观察期间捕捉一致的个人形状和运动特征。通过减缓误差累积，我们的解决方案能够稳健地利用这些个人特征以实现更高的准确率。实验表明，我们的解决方案优于以前的在线测试时适应方法，验证了我们的设计选择。
引用
@article{arxiv.2511.18851,
title = {Robust Long-term Test-Time Adaptation for 3D Human Pose Estimation through Motion Discretization},
author = {Yilin Wen and Kechuan Dong and Yusuke Sugano},
journal= {arXiv preprint arXiv:2511.18851},
year = {2025}
}
备注
Accepted by AAAI 2026, main track