SEAL-pose：通过可学习的损失函数提升 3D 人体姿态估计的结构一致性
计算机视觉与模式识别
2026-02-24 v1 人工智能
摘要
3D 人体姿态估计（HPE）以关节间复杂的局部和全局依赖关系为特征。传统监督损失因将每个关节独立处理，难以捕捉这些相关性。先前研究通过手动设计的先验或规则约束来促进结构一致性，但这些方法通常需要手动指定且常不可微，限制了作为端到端训练目标的使用。我们提出了 SEAL-pose，一种数据驱动的框架，其中可学习的损失网络通过评估结构合理性来训练姿态网络。不同于依赖手工先验，我们基于关节图的数学设计，使损失网络能够直接从数据中学习复杂的结构依赖。在三个 3D HPE 数据集上进行的大量实验表明，SEAL-pose 在所有设置下均显著降低了关节误差并提高了姿态合理性。除了提升每个基础模型的性能外，SEAL-pose 还在不强制任何结构约束的情况下超越了具有显式结构约束的模型。最后，我们分析了损失网络与结构一致性之间的关系，并在跨数据集和野外场景中评估了 SEAL-pose。
引用
@article{arxiv.2602.20051,
title = {SEAL-pose: Enhancing 3D Human Pose Estimation via a Learned Loss for Structural Consistency},
author = {Yeonsung Kim and Junggeun Do and Seunguk Do and Sangmin Kim and Jaesik Park and Jay-Yoon Lee},
journal= {arXiv preprint arXiv:2602.20051},
year = {2026}
}
备注
17 pages