SasMamba：面向3D人体姿态估计的轻量级结构感知步进状态空间模型
计算机视觉与模式识别
2025-11-13 v1 人工智能
人机交互
摘要
最近，基于状态空间模型（SSM）的Mamba架构因其线性复杂度和强大的全局建模能力而在3D人体姿态估计中受到关注。然而，现有的基于SSM的方法通常通过手动设计的扫描操作将检测到的2D姿态序列展平为纯时间序列，无论是局部还是全局。这种方法破坏了人体姿态的内在空间结构，并使空间和时间特征交织，导致难以捕捉复杂的姿态依赖关系。为此，我们提出了基于Skeleton Structure-Aware Stride SSM（SAS-SSM）的方法，首先采用结构感知的时空卷积，动态捕捉关节之间关键的局部相互作用，然后应用基于步进的扫描策略，以构建多尺度的全局结构表示。这使得能够灵活地建模局部和全局姿态信息，同时保持线性计算复杂度。基于SAS-SSM，我们的模型SasMamba在显著减少参数数量的同时，实现了与现有混合模型相当的3D姿态估计性能。项目源码可在 https://hucui2022.github.io/sasmamba_proj/ 查阅。
引用
@article{arxiv.2511.08872,
title = {SasMamba: A Lightweight Structure-Aware Stride State Space Model for 3D Human Pose Estimation},
author = {Hu Cui and Wenqiang Hua and Renjing Huang and Shurui Jia and Tessai Hayama},
journal= {arXiv preprint arXiv:2511.08872},
year = {2025}
}
备注
8pages, WACV2026 accepted