StarPose：基于空间-时间自回归扩散的 3D 人体姿态估计
计算机视觉与模式识别
2025-08-12 v2
摘要
单目 3D 人体姿态估计因深度歧义和遮挡问题仍然具有挑战性。与基于 Transformer 或卷积神经网络（CNN）的传统方法相比，最近的扩散方法凭借其概率性和高保真生成能力显示出优异性能。然而，这些方法往往未能考虑预测帧之间的空间和时间相关性，导致时间一致性有限且 3D 姿态序列的预测精度较低。为此，本文提出了 StarPose，一种自回归扩散框架，有效整合历史 3D 姿态预测和空间-时间物理指导，显著提升姿态预测的准确性和时间一致性。与现有方法不同，StarPose 将 2D 到 3D 姿态映射建模为自回归扩散过程。通过历史姿态集成模块（Historical Pose Integration Module, HPIM）协同整合先前预测的 3D 姿态和 2D 姿态输入，框架生成丰富且信息充实的历史姿态嵌入，以指导后续去噪步骤，确保时间一致性预测。此外，针对迭代方式细化去噪过程，设计了一个全插即用式空间-时间物理指导（Spatial-Temporal Physical Guidance, STPG）机制，进一步强制执行解剖学合理性和运动动力学，实现稳健且逼真的姿态估计。在基准数据集上的大量实验表明，StarPose 优于当前最先进的方法，实现了在 3D 人体姿态估计中的卓越准确性和时间一致性。代码已公开：https://github.com/wileychan/StarPose。
引用
@article{arxiv.2508.02056,
title = {StarPose: 3D Human Pose Estimation via Spatial-Temporal Autoregressive Diffusion},
author = {Haoxin Yang and Weihong Chen and Xuemiao Xu and Cheng Xu and Peng Xiao and Cuifeng Sun and Shaoyu Huang and Shengfeng He},
journal= {arXiv preprint arXiv:2508.02056},
year = {2025}
}