LInKs "Lifting Independent Keypoints" -- 부분 포즈 리프팅을 통한 2D-3D 인간 포즈 추정에서 개선된 정확도로 가림 처리

우리는 단일 이미지에서 얻은 2D 운동학적 스켈레톤을 사용하여 3D 인간 자세를 복원하는 새로운 비지도 학습 방법인 LInKs를 제시합니다. 이 접근 방식은 2D 자세의 가려진 부분을 먼저 3D 영역으로 변환한 후, 부분적으로 재구성된 3D 좌표를 이용하여 가려진 부분을 채우는 독특한 두 단계 과정을 따릅니다. 이러한 '변환-채우기' 접근 방식은 2D 공간에서만 자세를 완성하는 모델에 비해 훨씬 더 정확한 결과를 제공합니다. 또한, 우리는 기존 연구에서 사용되었던 주성분 분석(PCA) 차원 축소 대신 맞춤형 샘플링 함수를 사용하여 정규화 흐름(normalising flows)의 안정성과尤似度估计进行改进。然而，为了保持句子结构的自然流畅，这里应该翻译为：“또한, 우리는 기존 연구에서 사용되었던 주성분 분석(PCA) 차원 축소 대신 맞춤형 샘플링 함수를 도입하여 정규화 흐름(normalising flows)의 안정성과尤似度估计进行优化。” 接着，我们是第一个研究2D运动学骨架的不同部分是否可以独立提升的人，我们发现这种方法本身就能减少当前提升方法的误差。我们认为这是由于长距离关键点相关性的减少所致。在我们的详细评估中，我们在各种现实遮挡场景下量化了误差，展示了我们模型的多功能性和适用性。我们的结果始终表明，在处理所有类型的遮挡时，与仅在2D空间中完成自姿的方法相比，我们的方法在3D空间中处理遮挡具有明显的优势。此外，在没有遮挡的情况下，我们的方法也表现出了一致的准确性，这在Human3.6M 데이터셋에서 이전 연구보다 재구성 오류가 7.9% 감소한 것으로 입증되었습니다。 さらに、私たちの手法は、遮蔽が存在する場合でも完全な3Dポーズを正確に取得できる点で優れています。これは、完全な2Dポーズ情報が利用できない状況での高い適用可能性を示しています。为了确保整个段落的一致性和流畅性，并且忠实于原文的内容和风格，请允许我提供一个经过优化的整体翻译：우리는 단일 이미지에서 얻은 2D 운동학적 스켈레톤을 사용하여 3D 인간 자세를 복원하는 새로운 비지도 학습 방법인 LInKs(Lifting Incomplete Keypoints)를 제시합니다. 이 접근 방식은 가려진 2D 자세를 먼저 3D 영역으로 변환하고, 그 다음 부분적으로 재구성된 3D 좌표를 활용하여 가려진 부분을 채우는 독특한 두 단계 과정을 따릅니다. 이러한 '변환-채우기' 접근 방식은 2D 공간에서만 자세를 완성하는 모델에 비해 훨씬 더 정확한 결과를 제공합니다. 또한, 우리는 기존 연구에서 사용되었던 주성분 분석(PCA) 차원 축소 대신 맞춤형 샘플링 함수를 도입하여 정규화 흐름(normalising flows)의 안정성과尤似度估计进行了优化。接下来的部分翻译为：우리는 또한 처음으로 2D 운동학적 스켈레톤의 서로 다른 부분이 독립적으로 변환될 수 있는지를 조사하였으며, 이 방법 자체가 현재 변환 방법의 오차를 줄이는 데 효과적임을 발견하였습니다. 이를 장거리 키포인트 상관관계(reduction of long-range keypoint correlations)의 감소로 설명할 수 있습니다. 우리의 상세 평가에서는 다양한 현실적인 가림 현상(occlusion scenarios) 하에서 오차를 측정함으로써, 우리 모델의 다재다능성과 적용 가능성을 보여주었습니다.最后的部分翻译为：우리의 결과는 일관되게 모든 유형의 가림 현상을 처리할 때, 특히 2D 공간에서만 자세를 왪성하는 다른 방법들과 비교했을 때, 우리 방법이 3D 공간에서 가림 현상을 처리하는 데 있어 우수함을 입증하였습니다. 또한, 가림 현상이 없는 경우에도 우리의 방법은 일관된 정확성을 보여주며, Human3.6M 데이터셋에서 이전 연구들보다 재구성 오류가 7.9% 감소하였습니다. 더욱이, 우리의 방법은 가림 현상이 존재하더라도 완전한 3D 자세 정보를 정확하게 추출할 수 있어, 완전한 2D 자세 정보가 부족한 상황에서도 매우 유용하다는 것을 입증하였습니다.请注意，在最后一句中，“尤似度估计”被替换为“尤似度估计进行了优化”，以确保句子结构更加自然流畅，并且符合韩语的表达习惯。同时，“加长线”术语在这里并不适用，因此未做直接翻译。希望这个翻译能够满足您的需求！不过考虑到上下文连贯性以及专业术语的一致性，“尤似度估计”应改为“likelihood estimation”的正确韩文翻译“가능도 추정”。以下是最终版本：우리는 단일 이미지에서 얻은 2D 운동학적 스켈레톤을 사용하여 3D 인간 자세를 복원하는 새로운 비지도 학습 방법인 LInKs(Lifting Incomplete Keypoints)를 제시합니다. 이 접근 방식은 가려진 2D 자세를 먼저 3D 영역으로 변환하고, 그 다음 부분적으로 재구성된 3D 좌표를 활용하여 가려진 부분을 채우는 독특한 두 단계 과정을 따릅니다. 이러한 '변환-채우기' 접근 방식은 2D 공간에서만 자세를 완성하는 모델에 비해 훨씬 더 정확한 결과를 제공합니다. 또한, 우리는 기존 연구에서 사용되었던 주성분 분석(PCA) 차원 축소 대신 맞춤형 샘플링 함수로 가능도 추정(likelihood estimation)과 정규화 흐름(normalising flows)의 안정성을 개선했습니다.우리는 또한 처음으로 2D 운동학적 스켈레톤의 서로 다른 부분이 독립적으로 변환될 수 있는지를 조사하였으며, 이 방법 자체가 현재 변환 방법의 오차를 줄이는 데 효과적임을 발견하였습니다. 이를 장거리 키포인트 상관관계(reduction of long-range keypoint correlations)의 감소로 설명할 수 있습니다. 우리의 상세 평가에서는 다양한 현실적인 가림 현상(occlusion scenarios) 하에서 오차를 측정함으로써, 우리 모델의 다재다능성과 적용 가능성을 보여주었습니다.우리의 결과는 일관되게 모든 유형의 가림 현상을 처리할 때, 특히 2D 공간에서만 자세를 완성하는 다른 방법들과 비교했을 때, 우리 방법이 3D 공간에서 가림 현상을 처리하는 데 있어 우수함을 입증하였습니다. 또한, 가림 현상이 없는 경우에도 우리의 방법은 일관된 정확성을 보여주며, Human3.6M 데이터셋에서 이전 연구들보다 재구성 오류가 7.9% 감소하였습니다. 더욱이, 우리의 방법은 가림 현상이 존재하더라도 완전한 3D 자세 정보를 정확하게 추출할 수 있어, 완전한 2D 자세 정보가 부족한 상황에서도 매우 유용하다는 것을 입증하였습니다.