《智人：人类视觉模型的基础》

我们介绍了Sapiens，这是一系列针对四个基本的人类中心视觉任务的模型——2D姿态估计、身体部位分割、深度估计和表面法线预测。我们的模型原生支持1K高分辨率推理，并且通过简单微调在超过3亿张野生环境中的人类图像上预训练的模型，可以非常容易地适应各个任务。我们观察到，在相同的计算预算下，使用精心挑选的人类图像数据集进行自监督预训练，可以显著提升一系列人类中心任务的性能。生成的模型在野生环境数据中表现出卓越的泛化能力，即使标签数据稀缺或完全合成也是如此。我们简单的模型设计还带来了可扩展性——随着参数数量从0.3亿增加到20亿，各任务的模型性能得到了提升。Sapiens在各种人类中心基准测试中始终超越现有的基线模型。我们在Humans-5K（姿态）上的表现比之前的最先进方法提高了7.6 mAP，在Humans-2K（部位分割）上提高了17.1 mIoU，在Hi4D（深度）上相对RMSE提高了22.4%，在THuman2（法线）上相对角度误差降低了53.5%。