摘要

单目3D人体姿态估计的进展主要由需要大规模2D/3D姿态注释的监督技术主导。这些方法在没有机制排除不熟悉的分布外数据时，往往表现不稳定。为此，我们将3D人体姿态学习视为一个无监督域适应问题。我们引入了MRP-Net，该网络包含一个共享的深度网络主干和两个输出头，分别对应两种不同的配置：a) 无模型的关节定位；b) 基于模型的参数回归。这种设计使我们能够在姿态和关节粒度上量化预测不确定性。仅在标记的合成样本上进行监督的情况下，适应过程旨在最小化未标记目标图像的不确定性，同时最大化极端分布外数据集（背景）的不确定性。除了从合成到真实3D姿态的适应外，关节不确定性还允许适应过程扩展到野外图像，即使在存在遮挡和截断的情况下也能有效工作。我们对所提出的方法进行了全面评估，并在基准数据集上展示了最先进的性能。