Les méthodes basées sur les cartes de chaleur dominent actuellement le domaine de l’estimation de la posture humaine en modélisant la distribution de sortie à l’aide de cartes de probabilité. En revanche, les méthodes basées sur la régression sont plus efficaces mais souffrent d’une performance inférieure. Dans ce travail, nous explorons l’estimation du maximum de vraisemblance (MLE) afin de développer une méthode de régression à la fois efficace et performante. Du point de vue de la MLE, l’utilisation de différentes fonctions de perte de régression repose sur des hypothèses différentes concernant la fonction de densité de la sortie. Une fonction de densité plus proche de la distribution réelle conduit à une meilleure performance en régression. À cet effet, nous proposons un nouveau paradigme de régression basé sur une estimation de vraisemblance résiduelle (RLE), permettant de capturer la distribution sous-jacente de la sortie. Plus précisément, RLE apprend la variation de la distribution plutôt que la distribution sous-jacente non référencée, ce qui facilite le processus d’entraînement. Grâce à une nouvelle conception de réparamétrisation, notre méthode est compatible avec les modèles de flux existants (off-the-shelf). La méthode proposée s’avère efficace, rapide et flexible. Nous démontrons son potentiel à travers des expériences approfondies sur diverses tâches d’estimation de posture humaine. Comparée au paradigme de régression classique, la régression avec RLE améliore de 12,4 mAP sur MSCOCO, sans surcharge au moment du test. De plus, pour la première fois, notamment dans le cas de l’estimation de posture humaine à plusieurs personnes, notre méthode de régression dépasse les méthodes basées sur les cartes de chaleur. Le code source est disponible à l’adresse suivante : https://github.com/Jeff-sjtu/res-loglikelihood-regression