UDAPose：面向低光人体姿态估计的无监督领域适应
计算机视觉与模式识别
2026-04-14 v1 人工智能
摘要
低可视性场景（如低光环境）对人体姿态估计提出了重大挑战，主要由于缺乏标注的低光数据集以及恶劣照明下的视觉信息丢失。最近的领域适应技术尝试通过增强常亮图像来模拟低光条件。但手工增强过于简化噪声模式，而学习方法往往无法保留低光特性的高频细节，生成不真实的图像，导致姿态模型在真实低光场景下泛化效果差。此外，最近的姿态估计器依赖图像线索通过图像到关键点的交叉注意力，但这些线索在低光条件下变得不可靠。为解决这些问题，我们提出了面向姿态估计的无监督领域适应框架 UDAPose。具体而言，我们的合成方法引入了直流基高通滤波器（DHF）和低光特性注入模块（LCIM），以注入来自输入低光图像的高频细节，克服现有方法的僵化或细节丢失问题。进一步，我们引入动态注意力控制模块（DCA），在 Transformer 架构中自适应平衡图像线索与学习到的姿态先验。实验表明，UDAPose 在 ExLPose-test 硬性测试集（LL-H）上实现了 10.1（56.4%）的 AP 提升，在 EHPT-XC 的跨数据集验证中实现了 7.4（31.4%）的提升。
引用
@article{arxiv.2604.10485,
title = {UDAPose: Unsupervised Domain Adaptation for Low-Light Human Pose Estimation},
author = {Haopeng Chen and Yihao Ai and Kabeen Kim and Robby T. Tan and Yixin Chen and Bo Wang},
journal= {arXiv preprint arXiv:2604.10485},
year = {2026}
}
备注
Accepted at CVPR 2026