既存の人間姿勢推定手法は、しばしばモデルの汎化性能向上に焦点を当て、効率性という重要な問題を軽視しています。これにより、実用上スケーラビリティやコスト効果が低い重いモデルが開発される傾向があります。本研究では、これまで十分に研究されていないが実際には極めて重要な姿勢モデルの効率性問題について調査します。そのために、新しい「高速ポーズディスティレーション（Fast Pose Distillation, FPD）」モデル学習戦略を提案します。具体的には、FPDは強力な教師ネットワークの姿勢構造知識を効果的に転送することで、高速に動作し計算コストが低い軽量なポーズニューラルネットワークアーキテクチャを訓練します。広範な評価結果は、FPD手法がMPIIヒューマンポーズとリーズスポーツポーズという2つの標準ベンチマークデータセットにおいて、多くの最先端の姿勢推定手法よりもモデルのコスト効果が高いことを示しています。