摘要

为解决从单张图像中进行多人3D姿态估计这一具有挑战性的问题，本文提出了一种多视角匹配（Multi-View Matching, MVM）方法。该方法基于一个大规模视频数据集——Mannequin数据集，该数据集包含动作定格的人体图像，其姿态模仿人体模型（mannequins）。通过MVM方法自动生成大量具有3D监督信息的野外视频数据，我们得以训练一个以单张图像为输入的神经网络，实现高效的多人3D姿态估计。MVM方法的核心技术在于对静态场景中多视角获取的2D姿态进行有效对齐，该过程受到强烈的几何约束。我们的目标是最大化多帧中估计出的2D姿态之间的相互一致性，同时综合考虑几何约束与外观相似性。为验证MVM方法所提供的3D监督信号的有效性，我们在3DPW和MSCOCO两个基准数据集上进行了实验，结果表明，所提出的方法达到了当前最优的性能水平。