摘要
近年来，基于参数化姿态与形状表示的三维人体重建（3D Human Body Reconstruction，简称3DHR）领域取得了显著进展。然而，将3DHR技术应用于真实世界中复杂多样的场景（即“野生数据”in-the-wild数据）仍面临诸多挑战。其主要瓶颈在于：由于多种因素的影响，获取真实野生场景下准确的三维人体姿态真值（Ground Truth, GT）仍极为困难。近期，针对3DHR的测试时优化（test-time refinement）方法尝试利用预先获取的2D现成人体关键点信息，以弥补野生数据中缺乏三维监督信号的问题。然而，我们观察到，仅依赖额外的2D监督信号，容易导致常见3DHR骨干网络出现过拟合现象，从而使测试时优化任务变得难以有效实施。为应对这一挑战，本文提出一种协同式策略，以增强3DHR测试时优化工作的有效性。具体而言，我们首先引入一种预适应（pre-adaptation）机制，该机制在统一框架内协同多个3DHR模型，直接优化其初始输出结果。随后，在特定设置下，将该预适应策略与测试时适应（test-time adaptation）方法相结合，有效缓解过拟合问题，进一步提升3DHR性能。整个框架被命名为3DHR-Co。实验结果表明，所提出的方法可显著提升常见经典3DHR骨干网络的性能，最大实现约34毫米的姿势误差降低，在野生场景基准数据集上达到顶尖水平。这一成果充分说明，我们的方法有效释放了经典3DHR骨干网络的潜在能力。基于上述发现，我们进一步对所提框架的多种配置进行了系统性探究，以更全面地揭示协同机制在3DHR任务中的优势与潜力。