기존의 다중 인물 포즈 추정 기법은 대략적으로 두 단계 접근법(탑다운 및 보텀업 접근법)과 단일 단계 접근법으로 나눌 수 있다. 두 단계 방법은 추가적인 사람 검출기로 인해 높은 계산적 부담을 겪거나, 모든 인스턴스 불변 키포인트를 예측한 후 키포인트를 휴리스틱하게 그룹화하는 문제를 안고 있다. 최근 제안된 단일 단계 방법들은 위의 두 가지 추가 단계에 의존하지 않지만, 최신 보텀업 접근법에 비해 성능이 낮은 편이다. 본 연구에서는 새로운 단일 단계 다중 인물 포즈 회귀 기법인 SMPR(Single-Stage Multi-Person Pose Regression)을 제안한다. 이 방법은 밀도 예측(paradigm of dense prediction)을 따르며, 각 위치에서 인스턴스 인식 가능 키포인트를 직접 예측한다. 또한 특징 집약 외에도, 훈련 시 양호한 포즈 가설을 정의하기 위한 개선된 전략을 제안하는데, 이는 밀도 기반 포즈 추정에서 중요한 역할을 한다. 네트워크는 추정된 포즈의 점수를 학습한다. 포즈 점수 전략은 비최대 억제(NMS) 과정에서 우수한 포즈를 우선적으로 처리함으로써 포즈 추정 성능을 추가로 향상시킨다. 본 연구에서 제안한 방법은 기존의 단일 단계 방법을 넘어설 뿐만 아니라, 최신 보텀업 방법과 경쟁 가능한 성능을 보이며, COCO test-dev 포즈 벤치마크에서 각각 70.2 AP와 77.5 AP75의 성능을 기록하였다. 코드는 https://github.com/cmdi-dlut/SMPR 에서 제공된다.