高斯与均匀混合的人体姿态估计概率框架

2026年10月14日，arXiv Computer Vision 报道，研究者 Santiago Reina Alguacil 与 Ezequiel López Rubio 提出一种事后连续概率框架，用于人体姿态估计。该框架拦截原始热力图，将其建模为高斯混合模型（GMM）并叠加空间无关的均匀分布，据称无需修改架构或重新训练。报道称，该 GMM 的空间期望在精度上比肩领先的亚像素解码器，且无需启发式后处理；其校准的几何协方差体积在严重遮挡下的 OoD 异常检测中优于标准峰值强度启发式方法。该连续参数化还可扩展至多视角 3D 架构，绕过 O(N^3) 体素内存瓶颈。报道提到代码已公开。目前为该框架的首次报道，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。