公差零界点
在 AR/VR 沉浸式交互、动作识别以及机器人视觉等前沿领域，3D人体姿态估计（3D HPE） 始终是核心技术之一。为了提升精度和鲁棒性，研究者们通常利用多视角系统来获取互补信息 。
然而，传统的“多视角”方案往往面临两大挑战：
相机校准之困：传统方法极度依赖精确的相机参数校准。在动态环境或临时部署场景下，标定过程成本高、灵活性差 。
噪声干扰之痛：虽然“免校准（Calibration-Free）”方法通过数据驱动的方式动态学习视角间的关联，避免了校准难题，但由于缺乏几何约束，模型极易受到遮挡、检测错误等噪声干扰。这些误差会在不同视角间传播和累积，最终导致姿态“崩坏” 。
如何在不依赖相机校准的前提下，让模型拥有对抗噪声的“天然免疫力”？
针对这一挑战，北京邮电大学网络智能研究中心（NIRC） 在人工智能顶级会议 NeurIPS 2025 上发表了论文《Unified 2D-3D Discrete Priors for Noise-Robust and Calibration-Free Multiview 3D Human Pose Estimation》。本文提出了一种创新的 UniCodebook 框架，通过引入统一的 2D-3D 离散先验，该框架在保持连续表征表达力的同时，为模型穿上了一层坚固的“抗噪声铠甲”。
一
痛点：连续表征的“双刃剑”
目前 SOTA 的免校准 3D HPE 方案大多基于连续表征（Continuous Representations）。
优点：连续特征空间能够捕捉极其精细的姿态变化，具有极强的表达力。
缺点：由于空间是平滑且无约束的，输入的微小噪声（如2D关节点偏移）会被放大。在多视角交互中，一个视角的噪声可能会传播并污染所有视角，导致最终生成的 3D 人体产生扭曲、折断等不合逻辑的变形。
二
动机：离散表征的噪声鲁棒性
为了解决这一问题，研究团队提出了一个直觉性的动机：利用离散表征的抗噪性来提升对噪声的鲁棒性。
离散表征的天然抗噪属性：离散的码本将连续的姿态映射到有限的“原型（Prototypes）”上。这意味着，只要噪声在一定范围内，它都会被映射到同一个正确的离散 Token 上，从而在表征层面实现“天然去噪”。
人体姿态的先验约束：人体动作是有生物力学限制的。研究团队设计的 UniCodebook 通过学习海量姿态，构建了一个存储“合理姿态”的离散空间。
UniCodebook 的精髓在于：用离散先验作为“锚点”，为连续特征的推演提供几何与解剖学的指引。
三
核心技术：如何融合两个空间？
UniCodebook 并不是简单地将模型离散化，因为离散特征也有自己的优缺点。尽管能提供一定的去噪能力，但离散化的过程损失了精度，这对于姿态估计这样的数值回归任务是不利的。
那如果同时结合连续表征和离散表征的优点呢？研究团队基于此想法，提出以下方法：
主干网络：采用基于连续 Transformer 的模型，以确保高精度的预测。
旁支网络：将离散先验集成到连续回归流程中，在保持回归能力的同时增强鲁棒性。
四
模型细节
整体框架可以清晰地划分为两个阶段：
Stage I：先训练一个统一的 2D-3D 离散先验 UniCodebook，让模型掌握人体结构的稳定模式。
Stage II：做 2D→3D 的多视角 lifting，但把离散先验作为“软指导”注入主 lifting 网络。
01
统一的 2D-3D 离散先验码本训练。
AMAS数据集上，通过2D→2D、2D→3D、3D→2D、3D→3D四种训练策略，学习一个共享的离散码本，统一表示2D和3D姿态，缩小两者之间的表示差距，同时也提高数据的利用率。
02
离散-连续空间注意力机制（DCSA）
2. Discrete-Continuous Spatial Attention (DCSA)：离散-连续空间注意力机制。模型不再只进行传统的关节点互相关（Joint-to-Joint Attention），而是额外引入关节到离散原型的注意力（Joint-to-Discrete Token Attention）。实现上，二者分别使用自注意力和交叉注意力实现。
连续流：精细回归的主干。保留 Transformer 的表达能力与细粒度建模优势，确保最后的 3D 回归仍是连续且高精度的。
离散流：噪声鲁棒的结构先验。通过 UniCodebook 把当前姿态映射到离散 token，再作为“结构化记忆”输入注意力模块，让模型获得对遮挡、错检更稳的判断基准。
融合：由连续特征动态选择需要的离散信息。关键是“软注入”：不是把连续特征直接替换成离散特征，而是让连续关节特征在注意力中选择性吸收离散原型信息。
五
实验结果
01
常见基准数据集上的结果
在 Human3.6M 基准上，我们在 CPN 检测 2D 输入 和 GT 2D 输入 两种设置下都取得了 SOTA：分别达到 26.0mm / 7.74mm MPJPE，证明 UniCodebook + DCSA 在保持高精度回归的同时，也能提升跨视角融合质量与稳定性。
在更贴近真实场景的 MPI-INF-3DHP 上，我们在 不使用额外微调数据 的前提下取得领先：
MPJPE 3.37mm、PCK 99.9、AUC 95.94，在误差与阈值覆盖上均明显优于现有无标定方法，体现了统一离散先验对泛化的帮助。
02
抗噪效果
我们在测试时不重新训练，对随机 1–4 个视角 的 2D 关键点加入不同强度的高斯噪声。结果显示：引入 UniCodebook 的模型在所有噪声强度下都更稳，并且噪声越大优势越明显；说明离散原型能提供结构化“锚点”，有效抑制噪声在多视角交互中的传播与累积。
六
结语
这项研究为多视角3D人体姿态估计提供了一种提升对噪声鲁棒性的新思路。通过离散与连续表示的巧妙结合，不仅提升了模型在噪声环境下的稳定性，也在干净数据上实现了更高的精度。未来，该方法可望在VR/AR、智能监控、运动分析等领域发挥重要作用。
END
笔者简介：陈耿