EpipolarPose（常被简写为 epipose）
CVPR 2019，自监督3D人体姿态估计 ，全称：Self-Supervised Learning of 3D Human Pose using Multi-view Geometry
✅ 核心亮点
训练时不需要3D标注、不需要已知相机外参，只需要多视图2D关键点标注，利用**对极几何（epipolar geometry）**做自监督；推理时可以单图输出3D人体姿态。
- 作者：Muhammed Kocabas, Salih Karagoz, Emre Akbas
- arXiv：https://arxiv.org/abs/1903.02330
- 代码：https://github.com/mkocabas/EpipolarPose
- 数据集：Human3.6M、MPI-INF-3DHP
- 新增指标：PSS（Pose Structure Score），尺度无关，专门评估姿态结构合理性
🧠 核心思路
- 输入同一场景多视角图像（≥2个相机）
- 2D Pose分支检测各视图2D关键点（有2D标注监督）
- 利用对极几何 + 三角化，同时求解相机相对位姿 + 3D人体关键点，把这个三角出来的3D作为伪标签
- 用伪标签去监督3D Pose分支学习；推理阶段只输入单张图，直接回归3D姿态
和传统多视图3D pose最大区别：传统方法需要标定好相机外参；EpipolarPose把相机位姿当成未知量一起优化，自监督学习。
📌 网络结构
- Backbone：ResNet + 反卷积，输出 volumetric heatmap（体热图）
- 两个分支：
- 2D分支：有监督，输出2D关键点
- 3D分支：自监督，用多视图三角化得到的3D伪标签训练
- 损失：3D pose和三角重构3D之间的损失
⚠️ 局限
- 训练依赖同步多视图采集数据，野外单视频没法直接用这套自监督方案
- 尺度模糊问题（对极几何只能恢复尺度不确定的3D）
- 在当时是弱/自监督赛道SOTA，后续被很多单目3D pose（如PoseNet、MoCoPose等）超越
📎 容易混淆同名
- EpiPose（欧盟新冠项目）：H2020流行病建模项目，和姿态无关
- ePose（日本iOS体态评估APP）：健身房体态打分工具，不是CV论文
如果你需要，我可以给你：
- 论文精读笔记（公式版）
- 代码跑通指南
- 和 Mehta、VideoPose3D 的对比表