arXiv cs.AI· Woo-Jin Jung, Chan-Bin Lim, Seung-Hyun Kong·· 11 小时前AI 评分20
I2R-Pose：基于运动感知姿态初始化与观测引导细化的雷达 3D 人体姿态估计
Radar-Based 3D Human Pose Estimation via Motion-Aware Pose Initialization and Observation-Guided Refinement
AI 导读
研究提出 I2R-Pose 框架，通过运动感知姿态初始化与观测引导细化两阶段，从毫米波雷达数据估计 3D 人体姿态。该框架支持 TD/TR 图与雷达点云的单模态及融合输入，并构建了同步提供这两类数据与 3D 关节真值的 RaMoS-Pose 数据集。
正文 · AI 翻译
摘要：3D 人体姿态估计（3D HPE）用于智能家居等室内环境，以分析人体运动并监测人体状态。毫米波（mmWave）雷达适合此任务，因为它对光照变化具有鲁棒性，且不会捕捉人体外观图像。然而，雷达观测往往对某些身体部位提供的信息不足，或包含来自多个身体部位的重叠反射，限制了准确的 3D 关节定位。为解决这些局限，我们提出初始化到细化姿态框架（I2R-Pose），包含两个阶段：运动感知姿态初始化和观测引导细化。在第一阶段，通过融合连续雷达观测间的时间关系与人体骨骼结构来学习逐关节特征，以补偿不足的关节信息并估计初始 3D 姿态序列。在第二阶段，单独提取的雷达观测特征预测逐关节位置修正，以细化初始姿态并生成最终姿态序列。该框架支持时间-多普勒/时间-距离（TD/TR）图和雷达点云（PC）的单独输入与融合输入。为评估室内活动中的性能，我们构建了用于 3D 人体姿态估计的雷达运动与空间信息（RaMoS-Pose）数据集，提供同步的 TD/TR 图、雷达 PC 和 3D 关节真值（GT）。在 RaMoS-Pose 和公开可用的 MVDoppler-Pose 数据集上的评估表明，与在各数据集上评估的最佳现有方法相比，采用融合输入的 I2R-Pose 在 MVDoppler-Pose 上将平均每关节位置误差（MPJPE）降低 39.50%，在 RaMoS-Pose 上降低 15.13%。
| 评论： | 15 页，5 幅图，8 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.27774 [cs.CV] |
| （或 arXiv:2610.27774v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27774 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：WooJin Jung [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 07:38:04 UTC（10,553 KB）
来源：arXiv cs.AI · arxiv.org