摘要
多人姿态估计是从二维图像中理解人类行为的重要技术。在本文中，我们提出了一种人体姿态精化网络，该网络可以从输入图像和输入姿态的组合中估计出更加精确的姿态。以往的方法主要通过端到端可训练的多阶段架构来实现姿态精化，但这些方法高度依赖于姿态估计模型，并且需要精心设计模型。相比之下，我们提出了一种与模型无关的姿态精化方法。根据最近的一项研究，最先进的2D人体姿态估计方法具有相似的误差分布。我们利用这种误差统计作为先验信息生成合成姿态，并使用这些合成姿态来训练我们的模型。在测试阶段，任何其他方法的姿态估计结果都可以输入到所提出的模型中进行进一步精化。此外，所提出的模型不需要其他方法的代码或知识，这使得它可以在后处理步骤中轻松应用。实验结果表明，所提出的方法在性能上优于传统的多阶段精化模型，并且在常用的基准数据集上持续提升了多种最先进的人体姿态估计方法的性能。代码已发布在以下网址：\url{https://github.com/mks0601/PoseFix_RELEASE}。