DiffPose: Toward More Reliable 3D Pose Estimation解析
论文链接：https://arxiv.org/pdf/2211.16940.pdf
论文代码：https://github.com/GONGJIA0208/Diffpose
项目网址：https://gongjia0208.github.io/Diffpose/
论文出处：2023 CVPR
论文单位：新加坡科技与设计大学
摘要
- 由于固有的模糊性和遮挡，单目三维人体姿态估计具有很大的挑战性，这往往导致高度的不确定性和不确定性。
- 另一方面，扩散模型（diffusion models） 最近成为从噪声中生成高质量图像的有效工具。
- 受其能力的启发，我们探索了一种新的姿态估计框架(DiffPose)，该框架将3D姿态估计制定为反向扩散过程。
- 我们将新颖的设计融入到我们的DiffPose中，以促进3D姿态估计的扩散过程：一个姿态不确定性分布的姿态特定初始化，一个基于高斯混合模型的正向扩散过程，以及一个情境条件下的反向扩散过程。
- 我们提出的DiffPose在广泛使用的姿态估计基准Human3.6M和MPI-INF-3DHP上显著优于现有方法。
1. 简介
三维人体姿态估计是一项重要的任务，旨在从图像或视频中预测人体关节的三维坐标，它在增强现实、手语翻译和人机交互等领域有着广泛的应用，近年来引起了人们的广泛关注。
一般来说，主流的方法是分两个阶段进行三维姿态估计: 首先使用二维姿态检测器获得二维姿态，然后进行二维到三维的提升 (其中提升过程是最近的研究关注的主要方面)。
然而，尽管取得了长足的进步，单目3D姿态估计仍然具有挑战性。
特别是，由于许多挑战，包括固有的深度模糊和潜在的遮挡，很难从单目数据中准确预测3D姿态，这往往导致高度的不确定性。
另一方面，**扩散模型（diffusion models）**最近作为一种生成高质量图像的有效方法而流行起来。
通常，扩散模型能够通过逐步去除随机(不确定)噪声的多个步骤生成与指定数据分布 (例如ÿ
