그래프 컨볼루션 아키텍처를 기반으로 하는 인간 자세 추정 방법에서는 일반적으로 인체 골격이 노드가 신체 관절이고 간선이 인접한 관절 간 연결을 나타내는 무방향 그래프로 모델링된다. 그러나 이러한 방법의 대부분은 첫 번째 이웃 관계(1차 이웃)를 중심으로 신체 관절 간의 관계를 학습하는 데 집중하며, 고차 이웃(higher-order neighbors)를 무시함으로써 멀리 떨어진 관절 간의 관계를 효과적으로 활용할 수 있는 능력이 제한된다. 본 논문에서는 행렬 분할(matrix splitting)과 가중치 및 인접성 조절(weight and adjacency modulation)을 결합한 고차 정규 분할 그래프 네트워크(Higher-order Regular Splitting Graph Network, RS-Net)를 제안하여 2D에서 3D 인체 자세 추정을 수행한다. 핵심 아이디어는 다단계 이웃(multi-hop neighborhoods)을 활용하여 신체 관절 간의 장거리 종속성(long-range dependencies)을 포착하고, 각각의 신체 관절에 대해 서로 다른 조절 벡터를 학습하며, 골격에 관련된 인접 행렬에 추가로 조절 행렬을 더하는 것이다. 이 학습 가능한 조절 행렬은 추가적인 그래프 간선을 도입함으로써 그래프 구조를 조정함으로써 관절 간의 추가적인 연결을 학습하는 데 기여한다. 모든 인접한 신체 관절에 대해 공유된 가중치 행렬을 사용하는 대신, 제안된 RS-Net 모델은 특성 벡터를 집계하기 전에 가중치 비공유(weight unsharing)를 적용하여 서로 다른 관계를 보다 정교하게 포착한다. 두 가지 벤치마크 데이터셋에서 수행된 실험 및 아블레이션 연구를 통해 제안된 모델의 효과성을 입증하였으며, 최근 최첨단 기법들에 비해 3D 인체 자세 추정에서 우수한 성능을 달성하였다.