通过双教师在极低光照条件下的领域自适应二维人体姿态估计

现有的二维人体姿态估计研究主要集中在光照良好的场景中，对低光照条件下的探索相对有限，而低光照条件在日常生活中却十分普遍。近期关于低光姿态估计的研究需要使用配对的高光和低光图像及其真实标签进行训练，但由于低光图像标注固有的挑战性，这种方法在实际应用中并不现实。为此，我们提出了一种新颖的方法，消除了对低光真实标签的需求。我们的主要创新点在于利用两个互补的教师网络生成更为可靠的伪标签，从而使我们的模型能够在无需低光真实标签的情况下，在极低光照条件下实现具有竞争力的性能。我们的框架分为两个阶段。第一阶段，模型在高光数据上进行训练，并加入低光增强技术。第二阶段，我们提出了一个双教师框架来利用未标注的低光数据，其中基于中心的主要教师网络为较为可见的情况生成伪标签，而基于关键点的辅助教师网络则专注于为主教师网络未能检测到的人体生成伪标签。通过两位教师提供的伪标签，我们提出了一种针对个人的低光增强技术，在训练过程中挑战学生模型超越教师模型。在真实的低光数据集（ExLPose-OCN）上的实验结果表明，尽管我们的方法没有使用任何低光真实标签数据，但其性能仍比现有最先进（SOTA）方法提高了6.8%（2.4 AP）。我们的代码将在以下地址公开：https://github.com/ayh015-dev/DA-LLPose。