본 논문은 다중 인물 자세 추정 문제를 해결하기 위해 새로운 생성 분할 네트워크(Generative Partition Network, GPN)를 제안합니다. 기존 모델들이 완전히 상향식(top-down) 또는 하향식(bottom-up)인 것과 달리, 제안된 GPN은 혁신적인 전략을 도입하여 여러 사람의 전역 관절 후보들에서 분할을 생성하고 동시에 개별 인스턴스에 대한 관절 구성(inference of instance-specific joint configurations)을 추론합니다. 특히 GPN은 관절 검출 및 재구성의 복잡도가 낮고 정확도가 높다는 특징을 가지고 있습니다. GPN은 사람들의 중심점(centroids of persons)으로 매개변수화된 임베딩 공간(embedding space)에서 전역 관절 후보들(global joint candidates)로부터 밀집 회귀(dense regressions)를 수행하여 효율적으로 강건한 사람 검출과 관절 분할을 생성하는 생성 모델(generative model)을 설계하였습니다. 또한, GPN은 인간 자세의 관절 구성 추론 절차를 그래프 분할 문제(graph partition problem)로 정식화하고, 각 사람 검출에 대해 신뢰성 있는 전역 친화도 힌트(global affinity cues)를 활용하여 로컬 최적화(local optimization)를 수행함으로써 복잡도를 줄이고 성능을 향상시킵니다. GPN은 Backbone 네트워크로 Hourglass 아키텍처를 사용하여 동시에 관절 검출기(joint detector)와 밀집 회귀기(dense regressor)를 학습하도록 구현되었습니다. MPII Human Pose Multi-Person, 확장된 PASCAL-Person-Part, 그리고 WAF 벤치마크에서 실시한 광범위한 실험들은 GPN의 효율성을 입증하며, 새로운 최첨단 성능(state-of-the-art performance)을 보여주었습니다.