CrossFormer：3次元人体ポーズ推定のためのクロス時空間Transformer

3次元人体ポーズ推定は、身体部位間の幾何学的依存関係を符号化し、運動学的制約を強制することで実現可能である。近年、Transformerが空間的・時間的領域における関節間の長距離依存関係を符号化する手段として採用されている。これらは長距離依存関係の処理において優れた性能を発揮しているが、視覚的Transformerにおける局所性の向上が求められているという指摘もなされている。このような背景を踏まえ、本研究では、フレーム間の微細な変化を捉えるために重要な関節の豊かな表現（すなわち、特徴間相互表現）を備えた新たなポーズ推定Transformerを提案する。具体的には、2つの新規な相互作用モジュール、Cross-Joint Interaction（関節間相互作用）とCross-Frame Interaction（フレーム間相互作用）を導入し、身体関節間の局所的およびグローバルな依存関係を明示的に符号化する。提案アーキテクチャは、代表的な3次元人体ポーズ推定データセットであるHuman3.6とMPI-INF-3DHPにおいて、最先端の性能を達成した。特に、検出された2Dポーズを用いた設定ではPoseFormerと比較して0.9%、真値（ground-truth）設定では0.3%の性能向上を実現した。