本文提出了一种新的生成分区网络（Generative Partition Network, GPN），以解决具有挑战性的多人姿态估计问题。与现有的完全自上而下或自下而上的模型不同，所提出的GPN引入了一种新颖的策略——从全局关节候选中为多个人生成分区，并同时推断实例特定的关节配置。GPN的特点在于关节检测和重新组织的低复杂度和高精度。具体而言，GPN设计了一个生成模型，该模型通过一次前向传播高效地生成带有关节分区的鲁棒人物检测结果，依赖于在由人物中心点参数化的嵌入空间中的全局关节候选进行密集回归。此外，GPN将人体姿态的关节配置推断过程建模为图分区问题，并对每个人物检测结果进行局部优化，利用可靠的全局亲和力线索，从而实现复杂度降低和性能提升。GPN采用Hourglass架构作为骨干网络，同时学习关节检测器和密集回归器。在MPII多人姿态估计、扩展PASCAL-Person-Part和WAF等多个基准数据集上的大量实验表明，GPN不仅效率高，而且达到了新的最先进水平。