摘要

本文提出了一种用于基于视频的2D/3D人体姿态估计的简单基线框架，该框架在不降低性能的情况下，比现有方法提高了10倍的效率，命名为DeciWatch。与当前逐帧估计视频中每一帧的方法不同，DeciWatch引入了一种简单而有效的采样-去噪-恢复框架，仅对稀疏采样的帧进行详细估计，利用了人体运动的连续性和轻量级的姿态表示。具体而言，DeciWatch均匀采样少于10%的视频帧进行详细估计，使用高效的Transformer架构对估计的2D/3D姿态进行去噪，然后通过另一个基于Transformer的网络准确恢复其余帧。在三个基于视频的人体姿态估计和身体网格恢复任务中，使用四个数据集进行的全面实验结果验证了DeciWatch的高效性和有效性。代码可在https://github.com/cure-lab/DeciWatch 获取。