基于WiFi信号的鲁�棒且逼真的人体姿态估计

鲁棒的基于WiFi的人体姿态估计（HPE）是一个将离散且细微的WiFi信号桥接到人类骨架的挑战性任务。我们重新审视这一问题，并揭示了两个关键且被忽视的难题：1）跨域差距，即由于源域和目标域之间姿态分布的显著差异；2）结构保真度差距，即预测的骨架姿态呈现扭曲的拓扑结构，通常伴随关节错位和骨骼长度不比例。本文通过提出称为 DT-Pose 的新型双阶段框架来填补这两个差距：领域一致性表征学习与拓扑约束姿态解码。具体而言，我们首先提出了一种带均匀性正则化的时序一致性对比学习策略，集成到自监督掩码预训练范式中。这种设计有助于稳健地学习领域一致且具辨别运动特征的WiFi表征，同时缓解由于信号稀疏性导致的潜在模式坍缩。除此之外，我们引入一种有效的混合解码架构，纳入显式的骨架拓扑约束。通过补偿WiFi语义向量内在缺乏空间先验的局限，解码器能够对相邻关节关系以及整体关节关系进行结构化建模，从而产生更真实的姿态预测。在 various基准数据集上进行的大量实验表明，我们的方法在解决2D/3D基于WiFi的HPE任务中的这些根本性挑战方面表现出优异性能。相关代码已发布于 https://github.com/cseeyangchen/DT-Pose。