摘要

我们介绍了一种名为LInKs的新颖无监督学习方法，该方法可以从单张图像中获得的2D运动骨架恢复3D人体姿态，即使在存在遮挡的情况下也能实现。我们的方法采用独特的两步过程，首先将遮挡的2D姿态提升到3D域，然后利用部分重建的3D坐标填充遮挡部分。这种先提升后填充的方法相比仅在2D空间内完成姿态的模型显著提高了准确性。此外，我们通过自定义采样函数替换了先前工作中使用的主成分分析（PCA）降维方法，从而改进了归一化流的稳定性和似然估计。进一步地，我们首次研究了2D运动骨架的不同部分是否可以独立提升，并发现这种方法本身就能减少当前提升方法的误差。我们认为这是由于减少了远距离关键点之间的相关性所致。在详细的评估中，我们在各种现实遮挡场景下量化了误差，展示了我们模型的多样性和适用性。我们的结果一致表明，在处理所有类型的遮挡时，在3D空间中进行操作比在2D空间中完成姿态更具优势。此外，在没有遮挡的情况下，我们的方法也表现出一致的准确性，与之前在Human3.6M数据集上的工作相比，重建误差降低了7.9%。我们的方法还能够在存在遮挡的情况下准确恢复完整的3D姿态，这使其在无法获取完整2D姿态信息的情况下具有很高的应用价值。