视频姿态估计

超越静态帧：用于人体姿态估计的时序聚合与恢复视觉 Transformer

Beyond Static Frames: Temporal Aggregate-and-Restore Vision Transformer for Human Pose Estimation

提出一种即插即用的时序聚合与恢复模块，可增强现有单帧 ViT 姿态估计器，利用相邻帧信息提升运动模糊、遮挡等挑战场景下的关键点定位稳定性。