{
  "paper_id": "6c00db1e2b31ee06b71d1b8404f8fbe8",
  "paper_title": "MARKERLESS MULTI-VIEW 3D HUMAN POSE ESTIMATION: A SURVEY",
  "paper_authors": [
    "Ana Filipa Rodrigues Nogueira",
    "Hélder P. Oliveira",
    "Luís F. Teixeira"
  ],
  "publication_date": "2024",
  "publication_venue": "Image and Vision Computing",
  "abstract": "3D human pose estimation involves reconstructing the human skeleton by detecting the body joints. Accurate and efficient solutions are required for several real-world applications including animation, human-robot interaction, surveillance, and sports. However, challenges such as occlusions, 2D pose mismatches, random camera perspectives, and limited 3D labelled data have been hampering the models' performance and limiting their deployment in real-world scenarios. The higher availability of cameras has led researchers to explore multi-view solutions to take advantage of the different perspectives to reconstruct the pose. Most existing reviews have mainly focused on monocular 3D human pose estimation, so a comprehensive survey on multi-view approaches has been missing since 2012. According to the reviewed articles, the majority of the existing methods are fully-supervised approaches based on geometric constraints, which are often limited by 2D pose mismatches. To mitigate this, researchers have proposed incorporating temporal consistency or depth information. Alternatively, working directly with 3D features has been shown to completely overcome this issue, albeit at the cost of increased computational complexity. Additionally, models with lower levels of supervision have been identified to help address challenges such as annotated data scarcity and generalisation to new setups. Therefore, no method currently addresses all challenges associated with 3D pose reconstruction, and a trade-off between complexity and performance exists. Further research is needed to develop approaches capable of quickly inferring a highly accurate 3D pose with bearable computation cost. Techniques such as active learning, low-supervision methods, temporal consistency, view selection, depth information estimation, and multi-modal approaches are strategies to keep in mind when developing a new methodology to solve this task.",
  "keywords": [
    "3D Human Pose Estimation",
    "Multi-view",
    "Supervision level",
    "Temporal consistency",
    "Multi-modal"
  ],
  "paper_institutions": [
    "Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência (INESC TEC)",
    "Faculdade de Engenharia da Universidade do Porto (FEUP)",
    "Faculdade de Ciências da Universidade do Porto (FCUP)"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:12.067540Z",
  "template_tag": "deep_read",
  "summary": "# Markerless Multi-view 3D Human Pose Estimation: A Survey\n\n\n**作者 / Authors:** Ana Filipa Rodrigues Nogueira, Hélder P. Oliveira, Luís F. Teixeira\n\n\n**单位 / Institutions:** Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência (INESC TEC), Faculdade de Engenharia da Universidade do Porto (FEUP), Faculdade de Ciências da Universidade do Porto (FCUP)\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2024\n\n\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n### Paper metadata\n\n- **标题**: Markerless Multi-view 3D Human Pose Estimation: A Survey\n- **作者**: Ana Filipa Rodrigues Nogueira (INESC TEC / FEUP), Hélder P. Oliveira (INESC TEC / FCUP), Luís F. Teixeira (INESC TEC / FEUP)\n- **发表渠道**: 未明确列出期刊或会议，根据内容推测为预印本或期刊投稿，年份为2024（搜索更新至2024年6月）\n\n### Research positioning\n\n- **研究领域**: 计算机视觉、三维人体姿态估计、多视角重建\n- **具体任务**: 对无标记多视角3D人体姿态估计方法进行综述，涵盖单人和多人场景、不同监督级别、几何/体素/平面扫描方法以及多模态方法\n- **目标用户或应用场景**: 动画、人机交互、监控、体育分析、康复评估、手语识别等需要无标记3D姿态重建的应用场景\n\n### Input material checklist\n\n- **PDF**: 是（提供文档全文）\n- **附录/补充材料**: 有附录A（数据集基准测试），但未单独提供补充文件\n- **代码链接**: 无\n- **数据集链接**: 无（仅提及数据集名称，未提供链接）\n\n### Missing materials and risks\n\n- **缺失材料**: 缺少公开的代码、数据集链接、完整的图表高分辨率版本（如图1、图2、图3等）以及部分引用文献的详细内容\n- **可能影响**: 限制了对方法实现细节的进一步验证，图表细节可能影响对方法流程的深入理解；但作为综述，主要风险在于对具体算法复现和实验比较的全面性\n\n### Reading route (3-6 steps)\n\n- **步骤1**: 先读摘要和结论（第7章），了解综述的整体范围、主要分类和核心发现。\n- **步骤2**: 阅读引言（第1章）和搜索过程（第1.2节），理解综述目标、相关工作和搜索方法。\n- **步骤3**: 阅读第2章（数据集）和第3章（评估指标），熟悉常用数据集和评价标准。\n- **步骤4**: 详细阅读第4章（多视角方法），按分类（单人和多人、几何/体素/平面扫描）梳理各方法的特点和代表工作。\n- **步骤5**: 阅读第5章（多模态方法）和第6章（讨论），结合表4等对比不同方法的性能与权衡。\n- **步骤6**: 最后查看附录A的基准测试表格，用于具体数值对比，并整理分类学图（图3）的逻辑。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## 论文类型与类别\n\n- **类型**: 综述（survey）\n- **类别**: 计算机视觉、三维人体姿态估计、多视角重建\n\n## 背景与研究背景\n\n- **研究背景**: 3D人体姿态估计在动画、人机交互、监控、体育、康复评估等应用中至关重要。无标记方法因标记限制而受到关注。多视角方法利用多个摄像头信息重建3D姿态，但面临遮挡、2D姿态不匹配、相机校准、数据稀缺等挑战。\n- **相关综述**: 大多已有综述聚焦单目方法，专门针对多视角的综述自2012年以来缺失（仅Holte et al. 2012[^33]），本文填补此空白。\n\n## 直观正确性检查（关键假设与合理性）\n\n- **关键假设**:\n  - 多视角能提供更多几何信息，帮助解决遮挡和歧义，该假设合理，因为不同视角互补。\n  - 大多数方法基于2D姿态估计作为中间步骤，其性能受限于2D检测准确性，文中通过对比数据验证（如FusionFormer用2D GT可提升至7.90mm，见3.3节讨论）。\n  - 监督水平影响泛化能力，低监督方法可应对标注稀缺，文中多篇工作支持此点。\n- **合理性**: 假设与现实相符，文中引用了大量实证结果（如Human3.6M基准），主要结论有数据支撑。\n\n## 核心贡献（3-5条）\n\n1. **系统化综述**: 首次自2012年以来全面综述无标记多视角3D人体姿态估计，覆盖2012-2024年文献（73篇经过全文审核，见1.2节）。\n2. **提出分类法**: 提出新分类法（图3），将方法按监督水平（单人）和推理策略（多人：几何约束、体素、平面扫描）分类。\n3. **数据集与基准比较**: 整理主要数据集（Human3.6M, Campus, Shelf, CMU Panoptic等）及性能表格（表3、表4及附录A），便于对比。\n4. **分析缺陷与趋势**: 揭示现有方法在精度、速度、计算复杂度之间的权衡，指出2D姿态匹配是主要瓶颈，并推荐未来研究方向（如低监督学习、时间一致性、深度信息、多模态等）。\n\n## 清晰度评估\n\n- **结构**: 结构清晰，逻辑递进：介绍→数据集→评估指标→方法分类（单人/多人）→多模态→讨论→结论，并附附录。\n- **图表**: 含图1（PRISMA图）、图2（发表趋势）、图3（分类法）、图4（主动学习流程）、图5（VoxelPose架构）、图6（平面扫描方法），以及大量表格，辅助理解。\n- **公式**: 评估指标公式（式1-7）定义明确，符号解释清楚。\n- **可读性**: 语言平实，术语解释充分，但部分段落（如某些方法描述）信息密集，需仔细阅读。\n\n## 继续阅读或停止建议\n\n**建议继续阅读**。理由：该综述填补领域空白，提供系统性分类和详细性能对比，对研究人员和从业者均有价值，尤其适合寻找研究问题或技术选型时的参考。\n\n## 结构概览图\n\n```markmap\n# 无标记多视角3D人体姿态估计综述\n## 1 引言\n### 1.1 以往文献综述\n### 1.2 检索过程\n## 2 数据集\n## 3 评估指标\n## 4 多视角方法\n### 4.1 单人方法\n#### 4.1.1 全监督\n#### 4.1.2 半监督到无监督\n### 4.2 多人方法\n#### 4.2.1 基于几何约束\n#### 4.2.2 基于体素\n#### 4.2.3 基于平面扫描立体\n## 5 多模态方法\n### 5.1 不同类型的相机\n### 5.2 无线传感器\n## 6 讨论\n### 6.1 单人：全监督 vs. 半监督到无监督\n### 6.2 多人：几何约束 vs. 体素 vs. 平面扫描\n### 6.3 改进机会\n## 7 结论\n## A 数据集基准测试\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n### 一句话问题定义\n\n本文旨在系统梳理并分析无标记多视角三维人体姿态估计（Markerless Multi-view 3D Human Pose Estimation）领域的研究现状、方法分类、挑战与未来方向，以填补自2012年以来缺乏专门针对多视角方法的全面综述的空白。\n\n### 痛点或缺陷（2-4条）\n\n- **遮挡问题**：多视角设置虽有助于缓解遮挡，但在某些场景下遮挡仍是限制模型性能的主要因素之一（见第1节、第6.3节）。\n- **2D姿态估计误差累积**：多数方法依赖2D姿态估计作为中间步骤，2D姿态的误差会直接影响3D重建的准确性（见第4.1.1节、第6.1节关于FusionFormer的讨论，第6.2节）。\n- **依赖相机标定与固定视角**：许多现有方法对相机标定参数和固定相机布局有较强依赖，难以泛化到新视角或新场景（见第4.1节、第6.3节）。\n- **3D标注数据稀缺**：完全监督方法需要大量3D标注数据，获取成本高昂，限制了模型在真实场景中的部署（见第1节、第6.3节）。\n- **计算复杂度与速度的权衡**：体素类方法虽能避免2D姿态匹配问题，但计算开销大、推理速度慢，难以满足实时应用（见第4.2.2节、第6.2节）。\n\n### 形式化目标或优化目标（若存在）\n\n本文作为综述，未提出统一的优化目标，但归纳了现有方法常见的优化目标或损失函数，例如：\n\n- 最小化重投影误差（如公式(1)的PCP，公式(2)的MPJPE），公式(3)的PCK，公式(4)的AP，以及三角化残差损失（Triangulation Residual Loss, 见第4.1.2节Zhao et al. [^99]）。\n- 多视角几何一致性与时间一致性约束（见第4.2.1节、第6.1节）。\n- 在监督程度、精度、速度和计算开销之间寻找平衡（见第6节结论）。\n\n### 成功标准（指标或期望特性）\n\n- **常用评估指标**：PCP（Percentage of Correct Parts）、MPJPE（Mean Per Joint Position Error）、PA-MPJPE、PCK、AP、mAP、AUC、MPJAE、MRPE（见第3节）。\n- **期望特性**：高精度（低MPJPE或高PCP）、快速推理、较低计算复杂度、对相机标定和视角数量的鲁棒性（泛化能力）、对遮挡和多人场景的适应性、低监督依赖（数据效率）、实时部署能力（见第1节、第6.3节、第7节）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n**最强基准与比较轴**：\n\n1. **VoxelPose (Tu et al., 2020)** — 核心思想：直接基于体素特征进行3D姿态回归，避免了2D姿态匹配误差。局限：计算量大、推理慢，且对视角数量敏感。\n2. **FusionFormer (Cai et al., 2024)** — 核心思想：利用transformer统一融合多帧多视角特征，无需相机参数，在Human3.6M上MPJPE达15.1mm，为当前最先进方法。局限：依赖高质量2D姿态估计，若改用2D ground-truth，MPJPE可降至7.9mm，说明2D估计误差仍是主要瓶颈。\n3. **TesseTrack (Reddy et al., 2021)** — 核心思想：在VoxelPose基础上引入4D时空CNN，提升遮挡鲁棒性和跨视角关联。局限：训练代价极高（需8块V100 GPU）。\n4. **几何约束类方法**（如Xu & Kitani, 2022）— 核心思想：利用多视图几何关系（如极线约束）减少匹配搜索空间，在Campus/Shelf上PCP达97.8%。局限：依赖视图数量与可见性，当视角数少或遮挡严重时准确率下降。\n\n**比较轴**：通常以MPJPE（平均每关节位置误差）评估单人姿态精度，以PCP（正确部位百分比）评估多人场景性能；同时兼顾计算复杂度、推理速度、对相机标定的依赖程度以及监督水平（全监督 vs. 低/无监督）。\n\n**最接近的方法（或先前综述）**：\n\n1. **Holte et al. (2012)** — 唯一专门针对多视角HPE的综述，但仅覆盖24项工作，且未涉及现代深度学习方法。本综述填补了其后的空白，纳入57项多视角方法，并新增多模态（RGB-D、ToF、Wi-Fi/RF等）方向。\n2. **其他综合性综述**（如Zheng et al., 2023; Lan et al., 2023）虽包含多视角章节，但仅为简要介绍，未系统分类或深入比较。本综述的最大差异在于：提出明确的分类法（几何约束、体素、平面扫描），并统一评估监督级别、数据集和指标。\n\n**正交方向**：\n\n- **多模态感知**：结合RGB-D、ToF、360°相机或无线信号（Wi-Fi/RF）提供额外深度或非视觉信息，有助于克服遮挡和光照问题。\n- **低/无监督学习**：利用自监督、弱监督或无监督方法减少对标注数据依赖，提高泛化能力。\n- **主动学习**：通过模型动态选择最有效的样本进行标注，降低人工标注成本。\n- **视角选择**：自适应选择最优视角或相机位置，在保证精度的同时降低计算负担。\n\n**一句话定位**：本论文是自2012年以来首篇全面聚焦于无标记多视角3D人体姿态估计的综述，系统梳理了57项工作，提出了涵盖几何、体素和平面扫描的分类框架，并分析了监督层级、多模态扩展及性能-效率权衡。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3：论文如何解决问题？\n\n### 1. 分类框架概述\n\n该综述提出了一种针对无标记多视角3D人体姿态估计方法的分类体系（见论文图3）。分类框架首先根据场景中的人数将方法分为**单人人方法**（Single-person）和**多人人方法**（Multi-person）两大类。单人人方法进一步按监督程度分为**全监督**（Fully-supervised）和**从半监督到无监督**（From Semi-supervised to Unsupervised，包括半监督、弱监督、自监督和无监督）。多人人方法则根据3D姿态估计的技术路线分为三类：**基于几何约束**（Geometric constraint-based）、**基于体素**（Voxel-based）和**基于平面扫描立体**（Plane sweep stereo-based）方法。该分类法覆盖了论文第4章（多视角方法）和第5章（多模态方法）中的主要内容，其中多模态方法作为补充类别独立呈现。\n\n### 2. 主要分类轴或比较维度\n\n- **人数维度**：单人 vs 多人。影响关联复杂度、遮挡处理和计算负担。\n- **监督程度**（仅单人）：全监督、半监督、弱监督、自监督、无监督。决定对标注数据的依赖、泛化能力和性能上限。\n- **技术路径**（多人）：几何约束（基于2D姿态匹配、三角化、CRF/PS等）、体素（直接在3D体素空间回归）、平面扫描立体（利用深度信息增强2D姿态）。区别在于是否依赖2D姿态估计、计算复杂度、对视角数和标定的鲁棒性。\n- **传感器模态**：RGB相机、RGB-D、ToF、360°相机、无线射频（RF/Wi-Fi）等。作为辅助比较维度。\n- **性能与复杂度的权衡**：论文反复强调精确度、推理速度、计算成本和泛化能力之间的平衡（见第6章讨论）。\n\n### 3. 代表性工作分组及分组重要性\n\n**单人人全监督**：典型流程为2D姿态估计+跨视角关联/三角化。代表：Remelli et al. (2020) 轻量DLT；Bartol et al. (2022) 随机三角化；Jiang et al. (2023) 概率三角化；Cai et al. (2024) FusionFormer（特征变换融合，当前最佳）。重要性：此类方法性能领先，但多数依赖标定和固定相机设置。\n\n**单人人低监督**：代表：Rhodin et al. (2018) 半监督；Kundu et al. (2020) 无监督；Liu et al. (2021) 自监督虚拟视角；Zhao et al. (2023) Triangulation Residual Loss；Yin et al. (2024) 婴幼儿姿态。重要性：缓解标注稀缺，提升泛化，性能逐渐接近全监督（最佳自监督22.5mm vs 全监督15.1mm）。\n\n**多人几何约束**：代表：Belagiannis et al. 3DPS系列；Ershadi-Nasab et al. 对抗学习；Xu & Kitani (2022) 未标定关联；Chen et al. (2024) 运动评估应用。重要性：方法成熟、可解释，但受2D姿态误差和匹配质量限制。\n\n**多人体素**：代表：VoxelPose (Tu et al. 2020)；FasterVoxelPose/Plus；VoxelTrack；TesseTrack；MvP变压器；VTP。重要性：直接3D特征避免2D匹配，但计算昂贵，鲁棒性随视角数下降。\n\n**多人平面扫描**：代表：Lin & Lee (2021)；de França Silva et al. 无监督；Zhou et al. Er-Net。重要性：通过深度估计增强2D姿态，在速度和精度间取平衡。\n\n**多模态**：RGB-D、ToF、360°相机和RF/Wi-Fi。代表：Hwang et al. RGB-D实时系统；Hassan et al. ToF；Shere et al. 360°；商用WiFi姿态估计。重要性：补充深度或穿透性信息，克服遮挡和光照问题。\n\n分组意义：明确不同技术路线的优劣，指导根据应用需求选择方法，并识别未来研究方向。\n\n### 4. 分类示意图\n\n```mermaid\nflowchart TD\n    A[多视角3D人体姿态估计] --> B[单人人]\n    A --> C[多人人]\n    A --> D[多模态方法]\n    B --> B1[全监督]\n    B --> B2[半监督/弱监督/自监督/无监督]\n    C --> C1[基于几何约束]\n    C --> C2[基于体素]\n    C --> C3[基于平面扫描立体]\n    D --> D1[RGB-D/ToF/360°相机]\n    D --> D2[RF/Wi-Fi无线信号]\n```\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## 模块C4：数据集、基准测试与实现/评估设置\n\n### 1. 数据集覆盖（名称、规模、场景及其代表领域）\n\n该综述（第2章）系统收集并总结了多视角3D人体姿态估计常用数据集，主要涵盖以下几类：\n\n- **最常用基准数据集**：\n  - **Human3.6M**（2014年，第2.1节，表2）：实验室环境，4个数字摄像机+1个ToF+10个运动捕捉摄像机，11名受试者（4个测试专用），包含15种动作（讨论、问候等），共360万帧。代表单人场景的受控室内数据，是该领域最广泛使用的基准之一。\n  - **Campus**（2014年，第2.1节，表2）：室外环境，3个摄像机，3人互动，共2000帧。代表多人户外非受控场景，用于验证算法在真实世界多人交互中的性能。\n  - **Shelf**（2014年，第2.1节，表2）：室内环境，5个摄像机，4人拆货架任务，共3200帧。代表拥挤室内多人场景，常因演员4被持续遮挡而忽略其评估。\n  - **CMU Panoptic**（2015年，第2.1节，表2）：实验室环境，最多521个视点（480个VGA、31个高清、10个Kinect II），每帧1-8人，包含个体和群体活动（如游戏、讨论），共150万帧。代表大规模多视角社交互动场景，是目前视角数最多的数据集。\n\n- **其他常用数据集**（表2）：\n  - **HumanEva-I/II**（2010年）：单人动作（走、跑、拳击等），用于早期算法评估，有MoCap真值。\n  - **UMPM**（2011年）：4视角、30人、9种场景，包含多人互动，规模较大。\n  - **KTH Multiview Football I/II**（2012/2013年）：专业足球比赛中的球员跟踪，代表体育应用场景。\n  - **MPII Cooking 2**（2015年）：厨房烹饪单人活动，代表日常活动场景。\n  - **NTU RGB+D / NTU RGB+D 120**（2016/2019年）：包含多模态（深度、红外、骨架），动作识别任务常用。\n  - **MPI-INF-3DHP**（2017年）：14视角，包含复杂动作和遮挡。\n  - **Total Capture**（2017年）：8视角+IMU+Vicon，提供多模态真值。\n  - **PKU-MMD**（2017年）：深度、RGB、骨架等，规模大，覆盖多人活动。\n  - **WILDTRACK**（2018年）：户外街景，7摄像机，密集人群场景。\n  - **MVOR**（2018年）：手术室场景，3视角，医疗应用。\n  - **How2Sign**（2021年）：手语识别，3视角，包含多模态标注。\n  - **HuMoMM**（2023年）：5视角，RGB-D，30种动作（个体和群体），含SMPL参数。\n  - **PKUInfantV**（2024年）：婴儿运动视频，医院场景，3视角，规模大。\n\n这些数据集覆盖了从单人到多人、从室内到室外、从低视角到高视角、从通用动作到特定应用（体育、医疗、手语、手术）等不同纬度的场景，代表了该领域典型的数据分布挑战。\n\n### 2. 基准覆盖与综述的基准使用组织方式\n\n综述在多个表格中系统整理了不同数据集上的基准结果，将方法分类（如单人和多人、监督类型、技术类别）与数据集对应，便于横向对比。\n\n- **Human3.6M**（表3，第4.1节后）：主要报告MPJPE（mm），并区分了全监督、半监督、自监督和无监督方法。同时附带了使用额外数据（如MPII）的变体结果。\n- **Campus和Shelf**（表4，第4.2节后）：报告PCP（%）指标，按演员分解并给出平均值，方法分为几何约束类、体素类和平面扫描类。\n- **MPI-INF-3DHP**（表5，附录A.1）：报告PCK、AUC和MPJPE。\n- **KTH Multiview Football II**（表6，附录A.1）：分摄像头数量报告PCP（%），细分为上肢、下肢等部位。\n- **HumanEva**（表7，附录A.1）：报告3D误差（mm），按序列（Walk、Jog等）给出。\n- **Total Capture**（表8，附录A.1）：报告MPJPE（mm），区分已见和未见相机、已知和未知受试者，并细分序列。\n- **UMPM**（表9，附录A.2）：报告PCP（%）按身体部位分解，并区分不同序列和演员。\n- **CMU Panoptic**（表10，附录A.2）：报告MPJPE和多个AP阈值（AP_25, AP_50, ...），按视角数（2至8）分组，并说明训练/测试序列。\n\n综述还在第1.2节描述了搜索过程：通过Scopus系统检索，选定73篇相关工作，并整理其使用的数据集和评估协议。各论文的基准使用情况以表格形式汇总，确保覆盖了主要数据集和常见指标。\n\n### 3. 评估协议覆盖与协议差异\n\n- **指标定义**（第3章）：综述详细定义了PCP（等式1）、MPJPE（等式2）、PA-MPJPE（变体）、PCK（等式3）、AP（等式4）、mAP（等式5）、AUC、MPJAE（等式6）和MRPE（等式7）。这些指标覆盖了位置误差、关键点检测率、检测精度等多个维度。\n- **协议差异**：\n  - **指标选择不一致**：有些工作只报告MPJPE（如Human3.6M表3），而有些只报告PCP（如Campus/Shelf表4），导致跨数据集比较困难。部分工作使用PA-MPJPE（Procrustes对齐），但表中未单独列出，可能影响对比的公平性。\n  - **数据集划分差异**：例如CMU Panoptic（表10）中，不同方法使用了不同的训练/测试序列（如Wang等[^86]的训练集与Tu等[^80]略有不同），导致结果不完全可比。\n  - **视角数量不同**：在CMU Panoptic表中，按所用视角数分组（2-8个），而Human3.6M和Campus/Shelf通常固定视角数，但某些方法会采用不同的视角组合（如VoxelPose的实验）。\n  - **输入条件差异**：部分方法使用2D真值姿态（如Cai等[^9]在Human3.6M中报告了7.90mm MPJPE）与其他使用估计2D姿态的结果（15.1mm）不同，表明2D估计质量对最终性能有显著影响。\n- **综述的应对**：综述通过在不同表格中明确标注所用指标、视角数量和训练/测试协议，尽可能透明地呈现结果，并指出差异（如第6.2节讨论中指出VoxelPose和TesseTrack在训练硬件上的差异（8块V100 GPU））。但综述也承认跨论文直接对比存在局限，建议读者关注同一协议下的相对比较。\n\n### 4. 这些覆盖选择的重要性及其验证意义\n\n- **领域覆盖全面性**：包含单人/多人、室内/室外、不同视角数、不同应用场景的数据集，使得综述能评估方法在不同条件下的泛化能力。例如，Campus和Shelf用于多人交互，而Human3.6M强调单人大规模动作，CMU Panoptic提供密集群体场景，这些覆盖有助于识别方法的强项（如对遮挡的鲁棒性）和弱点（如对视角较少的敏感度）。\n- **基准的可比性**：通过集中呈现统一指标（如MPJPE和PCP），综述使不同方法能在相同数据集和协议下比较，为读者提供清晰的性能谱系。例如表3显示FusionFormer在Human3.6M上取得15.1mm MPJPE，而自监督方法Zhao等达到25.8mm，揭示监督程度与性能的权衡。\n- **评估协议差异的揭示**：通过指出不同方法在训练数据、视角数量和指标上的差异，综述帮助读者理解性能差距的来源，防止盲目比较。例如在CMU Panoptic上，2视角和5视角的结果差异巨大（如Wang等[^86]在2视角下MPJPE为34.8mm，在5视角下为15.8mm），突出视角数的重要性。\n- **验证技术趋势**：数据集的覆盖范围反映了领域演变——早期方法多在HumanEva和Human3.6M上验证，而近年方法更多使用Campus/Shelf和CMU Panoptic，并且出现了更多模态（RGB-D、ToF、无线信号）的数据集。这验证了综述的结论：多视角方法正从受控实验室走向真实世界和多样化应用。\n- **支撑核心论点**：数据集和评估协议的覆盖直接支撑了综述的主要发现——没有方法能同时解决所有挑战，性能和计算复杂度之间存在权衡。例如VoxelPose在Campus上达到96.7% PCP但需要高计算成本，而平面扫描方法在相近性能下更高效，这些结论正是基于覆盖多数据集的基准比较得出的。\n\n综上所述，该综述的数据集和基准覆盖选择旨在提供宽广的视角，使读者能够全面理解当前多视角3D姿态估计领域的进展、局限和未来方向，并强调在评估方法时需考虑多维度因素（如数据集场景、指标和协议差异）。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n### 1. 指标（含定义或简短说明）\n\n该综述在第3章（Evaluation Metrics）中总结了3D人体姿态估计领域常用的评估指标，主要包括：\n\n- **PCP (Percentage of Correct Parts)**：肢体检测准确率。当预测肢体两端与真值肢体两端距离的平均值小于等于肢体长度的一定比例阈值 α（通常取0.5）时，认为该肢体估计正确（式1）。该指标用于评估多人体场景中的肢体级性能（如Campus和Shelf数据集）。\n- **MPJPE (Mean Per Joint Position Error)**：平均每关节位置误差，即估计关节与真值关节之间的平均欧氏距离（式2）。它是单人和多人人体姿态估计中最常用的指标，单位通常为毫米（mm）。\n- **PA-MPJPE (Procrustes Alignment MPJPE)**：在计算MPJPE之前对真值和估计关节进行Procrustes对齐（消除旋转、平移和尺度差异）后得到的误差，用于评估姿态形状的准确性。\n- **PCK (Percentage of Correct Keypoints)**：正确关键点百分比，即估计关键点与真值关键点之间的距离小于设定阈值的比例（式3）。阈值可人为设定，常用于MPI-INF-3DHP等数据集。\n- **AP (Average Precision)**：平均精度，基于MPJPE作为阈值判定正负样本（式4）。例如AP@50表示当MPJPE<50mm时认为姿态正确。AP在CMU Panoptic等多人数据集上使用。\n- **mAP (Mean Average Precision)**：所有阈值下AP的平均值（式5），综合反映模型在不同严格程度下的性能。\n- **AUC (Area Under the Curve)**：PCK曲线下的面积，用于综合评价模型在不同阈值下的表现。\n- **MPJAE (Mean Per Joint Angle Error)**：平均关节角度误差，衡量估计关节角度与真值角度的绝对差（式6）。\n- **MRPE (Mean of the Root Position Error)**：根节点位置误差均值，即预测根关节与真值根关节之间的欧氏距离（式7）。\n\n### 2. 代表性先前工作的对比模式\n\n从综述所整理的基准结果（Table 3、Table 4、Appendix A）可以看出以下对比模式：\n\n- **单人体（Human3.6M）**（Table 3）：\n  - 全监督方法整体优于弱监督/无监督方法。例如，Cai et al. (2024) 的FusionFormer达到MPJPE 15.1mm，是所有方法中最好的；而半监督的Rhodin et al. (2018) 为131.70mm，性能最差。\n  - 在全监督方法中，利用2D ground-truth pose的Cai et al. 可达到7.90mm，比使用估计2D pose的15.1mm降低约47.7%，说明2D姿态估计误差是限制3D精度的瓶颈。\n  - 自监督方法中，Liu et al. (2021) 达到22.50mm，接近部分全监督方法（如Remelli et al. 30.20mm），表明低监督方法有潜力。\n- **多人体（Campus和Shelf）**（Table 4）：\n  - 整体上，几何约束类、体素类、平面扫描类方法的PCP均值差异不大：Campus上最佳为Xu and Kitani (2022) 的97.80%（几何约束），Shelf上最佳为Zhou et al. (2022) 的98.30%（平面扫描）。\n  - 早期方法（如Belagiannis et al. 2014）PCP较低（Campus 75.60%，Shelf 71.30%），而后续方法普遍超过90%。\n  - 体素法（如TesseTrack, Reddy et al. 2021）在Shelf上达到98.20%，仅次于平面扫描法；但在Campus上为97.40%，与几何约束法相近。\n  - 无监督的平面扫描法（de França Silva et al. 2022/2023）在Campus上从91.20%提升到96.80%，接近全监督的Lin and Lee (2021) 的97.00%。\n- **其他数据集**：\n  - MPI-INF-3DHP上，Cai et al. (2024) 的MPJPE为5.40mm，显著优于其他方法（如Kundu et al. 89.80mm）。\n  - CMU Panoptic上，随着视角数增加，AP和MPJPE普遍改善。例如TesseTrack (Reddy et al.) 在5视角下MPJPE为7.30mm，为最优；而2视角下明显更差。\n\n### 3. 文献中的共识与分歧\n\n### 共识：\n\n- 大多数方法采用“2D姿态估计 + 多视角关联 + 3D重构”的流程，该步骤中的2D姿态误差和跨视角匹配是性能瓶颈（第6.1节、6.2节）。\n- 增加视角数量通常能提升估计准确性（CMU Panoptic实验中，5视角优于2视角）。\n- 体素法虽然避免了2D匹配问题，但计算开销大；相比之下，几何约束和平面扫描法在速度和精度之间更平衡（第6.2节）。\n- 低监督方法（半监督、自监督、无监督）在缺乏标注数据时具有更好的泛化能力，但整体精度低于全监督方法（第6.1节）。\n- 遮挡是主要挑战，多视角有助于缓解遮挡问题，但仍需额外技术（如时域一致性、深度信息）辅助。\n\n## 分歧：\n\n- 对于方法分类的优先级意见不一：部分研究强调几何约束的简单高效，另一些则认为体素法规避2D错误更具优势，但没有一种方法在所有数据集上全面领先（第6.2节）。\n- 关于时域一致性：Nakatsuka和Komorita指出强制时域一致性可能抑制快速或微小动作，而其他研究（如Belagiannis et al. 2015）认为时域一致性对跟踪和减少误匹配有益（第4.1.1节、6.3节）。\n- 对相机参数依赖性的处理方式不同：有采用概率三角化、随机三角化、自监督方法等摆脱对相机标定的依赖，但这些方法在精度或训练条件上各有取舍。\n\n### 4. 基准解释与文献证据强度\n\n- **Human3.6M**：室内单人场景，标准协议下MPJPE可普遍比较。全监督方法近年突破15mm，但不同方法使用不同2D pose估计器或额外训练数据（如Remelli et al. 额外使用MPII数据），直接对比需谨慎。\n- **Campus和Shelf**：多人体基准，评估指标为PCP。两种数据集场景差异大（室外/室内），且Shelf的Actor4通常忽略，结果可比性有限。不同方法可能使用不同数量的相机或预处理，表中结果来自原文，一致性较好。\n- **CMU Panoptic**：提供更多视角和场景，使用MPJPE和AP评估。但不同方法使用的训练/测试序列集略有差异（如Wang et al. 2021训练集排除band3），导致数值不可直接横向比较，需仔细核对具体协议。\n- **证据强度**：综述所引用的结果均来自原始论文，未进行复现验证。由于各方法在不同数据集上的最优表现分散，很难得出“某类方法全面最优”的结论。证据表明：①2D pose质量对3D精度影响大；②视角数增加有利于性能；③低监督方法已经接近全监督水平，但仍有差距；④速度与精度的权衡普遍存在，实际应用需根据场景选择。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n### Module C6: 未来可探索方向\n\n#### 理论层面\n\n- **低监督方法与几何约束的结合**：论文指出大多数方法为全监督几何约束方法，而低监督方法（半/弱/自/无监督）在泛化上更具潜力（第4.1.2节、第6.3节）。未来可从理论上探索如何更有效地将多视图几何一致性（如重投影误差、三角化残差损失）与低监督范式融合，以在不依赖大量3D标注的前提下提升精度，并减少对相机参数的依赖（第6.3节）。\n- **深度学习模型的效率理论**：针对体素类方法（VoxelPose等）计算复杂度高的问题（第4.2.2节），可研究如何从理论上设计轻量化的3D特征表达或注意力机制，如稀疏注意力、低秩分解等，在不牺牲精度的情况下降低计算量（参见VTP的稀疏Sinkhorn注意力）。\n\n#### 工程层面\n\n- **多模态融合系统**：论文指出无线信号（Wi-Fi/RF）与视觉信息结合尚无研究（第7节）。未来可设计一种工程上可行的双模态系统，将RGB相机与无线传感器（如Wi-Fi CSI或RF）同步采集，利用无线信号对遮挡和光照不敏感的特性，辅助视觉估计，并在实际部署中处理不同传感器的同步、标定和融合问题（第5.2节、第7节）。\n- **高效推理与实时部署**：现有方法存在精度与速度的权衡（第6.2节）。可探索边缘计算架构，如将2D姿态估计分散到边缘设备、只传输2D结果到中心服务器（已有工作[^35]），或开发基于神经架构搜索（NAS）的轻量骨干网络，结合模型剪枝与量化，实现多摄像头场景下的实时3D姿态估计。\n\n#### 数据/评估层面\n\n- **领域泛化与域适应**：论文强调多数方法无法适应新视角或新场景（第6.3节）。可构建更具多样性的跨数据集评估协议，如在不同实验室/野外数据集（如Human3.6M、CMU Panoptic、WILDTRACK）之间进行跨域测试，并研究域适应技术（如Deng等[^22]的dropout判别器）以减少标注成本并提升泛化性。\n- **主动学习与稀疏标注策略**：论文仅发现一篇主动学习方法（Feng等[^30]），认为其潜力尚未充分利用。未来可系统评估主动学习在多种监督水平下的效果，设计更高效的采样策略（如基于不确定性或多样性），以降低3D姿态估计中人工标注的负担，并在真实应用中验证其成本效益（第6.3节）。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n### Module C7: 实际部署中的影响分析\n\n本模块基于综述（主要章节为第4、5、6、7章，以及表4、图3等）分析无标记多视角3D人体姿态估计方法在真实世界部署中的关键约束与影响。\n\n#### 1. 部署约束\n\n- **相机设置依赖**：多数方法依赖固定相机布局和精确标定（如第4.1.1节中Solichah[^74]、Kadkhodamohammadi[^43]等），部署时需进行严格的相机标定和位姿对齐，限制了快速部署和灵活调整（第6.1节）。\n- **相机数量与视角**：一些方法要求至少3个无遮挡视角（如Dehaeck[^21]，第4.2.1节），而单视角或低视角场景性能急剧下降（如VoxelPose的变体，第4.2.2节）。部署需保证足够的相机覆盖率和视角冗余。\n- **计算资源**：基于体素的方法（如VoxelPose[^80]、TesseTrack[^63]）需要3D CNN或高分辨率体素处理，训练成本高（TesseTrack需8张V100 GPU，第6.2节），推理开销大，不适合资源受限的移动或嵌入式设备。\n- **数据依赖**：监督方法依赖带3D标注的数据集（如Human3.6M），而真实场景数据稀缺，部署时需额外的域适应或标注成本（第2、6.3节）。\n\n#### 2. 计算/延迟影响\n\n- **实时性瓶颈**：体素类方法由于3D卷积和特征体素处理，推理速度慢（第4.2.2节，FasterVoxelPose[^94]通过重投影提高速度约10倍，但仍受限于视角数）。\n- **边缘-服务器架构**：Hwang等[^35]提出分布式系统，将2D姿态估计分配至边缘设备，仅传输2D坐标和时间戳至中心服务器，可降低带宽和计算负担，适合实时应用（第4.1.1节）。\n- **权衡-精度与速度**：综述指出，几何约束和平面扫描方法比体素方法更快，但在小相机数量下精度不如基于先验的方法（第6.2节）。实际部署需根据场景选择平衡点。\n- **时延要求**：运动捕捉、实时交互（如人机交互[^92]）对时延敏感，而多数方法未明确给出端到端时延，需额外优化（如模型轻量化、帧抽样）。\n\n#### 3. 鲁棒性/安全问题\n\n- **遮挡与拥挤场景**：多视角可缓解遮挡，但多数方法在严重遮挡或拥挤时性能显著下降（第1、6.3节）。少数方法（如TesseTrack[^63]、Zhu[^103]）通过时序信息和3D嵌入增强鲁棒性。\n- **相机标定误差**：依赖标定的方法对标定误差敏感，无标定方法（如概率三角化[^41]、对抗学习[^28]）可提高鲁棒性，但仍需训练时使用标定数据。\n- **2D姿态错误传播**：两步法（2D后3D）的性能受限于2D检测器，错误关联会导致3D巨大误差（第6.1节，FusionFormer[^9]用真值2D时MPJPE提升47.7%）。\n- **隐私与安全**：无线传感器（Wi-Fi/RF）方法[^76][^90][^91]可在无光照、遮挡时工作，且不涉及图像隐私（第5.2节），但信号易受干扰，且部署需同步摄像机用于标注，实际上仍受限于环境。\n- **光照与外观变化**：RGB方法对光照、恶劣天气敏感，RGB-D或ToF相机可提供深度信息增强鲁棒性（第5.1节）。\n\n#### 4. 可维护性\n\n- **模型泛化**：多数方法在训练时固定相机数量，无法适应新的相机布局或新增视角（第6.3节，如VitPose[^89]、MvP[^86]）。可维护性差，系统升级或扩展需重新训练。\n- **持续学习/更新**：主动学习[^30]提供了一种低成本的标注更新策略，但未被广泛采用，现有系统缺乏在线更新能力。\n- **数据集偏差**：训练数据集（如Human3.6M）多为实验室环境，真实场景需持续微调（第2节、第6.3节）。\n- **硬件依赖性**：方法对GPU需求高，更换硬件可能影响性能，需重新适配。\n- **长期部署**：无专门针对长期运行的系统设计，相机漂移或损坏需人工干预。\n\n**总结**：实际部署需权衡精度、速度与成本。低延迟、高准确度且适应不同相机数量的方法仍有待研究，部署时应优先考虑基于几何约束或平面扫描的轻量方法，并结合边缘计算和无标定技术以提高可维护性。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n### 摘要\n\n本综述系统回顾了无标记多视角三维人体姿态估计（3D HPE）领域的研究进展，覆盖了从单人到多人、从全监督到低监督（半监督、自监督、无监督）以及从几何约束、体素到平面扫描立体等多种方法。文献表明，多数现有方法采用“2D姿态估计-跨视角关联-三角化或提升”的三步流程，但受2D姿态误差和跨视角匹配错误影响；体素方法虽可规避此问题，却带来较高计算复杂度。时间一致性、深度信息、多模态融合、视角选择以及主动学习等策略被证明能有效提升精度或效率，但尚无方法能在精度、速度和计算成本之间取得完美平衡。该领域自2012年至今缺乏专门的多视角综述，本文填补了这一空白，并提出了新的分类体系。\n\n### 五个关键要点\n\n1. **方法分类框架**：现有方法按单/多人场景进一步分为全监督、半监督至无监督（单人）以及几何约束、体素、平面扫描立体（多人），形成了清晰的 taxonomy（图3）。\n2. **2D姿态误差是主要瓶颈**：多数方法依赖2D姿态估计与跨视角匹配，其准确性直接制约3D重建精度（如Human3.6M上，使用2D真值可将MPJPE从15.10mm降至7.90mm，见第6.1节）。\n3. **体素方法精度高但计算昂贵**：直接基于3D特征体积的方法（如VoxelPose）可避免匹配错误，但需3D卷积导致计算开销大，限制了实时应用（第4.2.2节）。\n4. **低监督方法潜力可观**：自监督方法（如Liu et al.）在Human3.6M上达到22.50mm的MPJPE，仅比全监督SOTA低约7.4mm，表明无需大量标注即可逼近全监督性能（第6.1节）。\n5. **未来方向**：多模态传感（如RGB-D、ToF、Wi-Fi/RF）与主动学习结合被视为兼顾精度与效率的潜在突破口（第7节）。\n\n### 核心公式或机制\n\n综述中反复提及的 **MPJPE（Mean Per Joint Position Error）** 是评估3D姿态估计精度的核心指标，其定义为预测关节与真值关节之间平均欧氏距离：\n\n$$\\mathbf{MPJPE}(S)=\\frac{1}{N_S}\\sum_{i=1}^{N_S}\\left\\|G_i-P_i\\right\\|_2$$\n\n其中 \\(G_i\\) 为真值关节位置，\\(P_i\\) 为预测关节位置，\\(N_S\\) 为骨架关节数。该指标贯穿全文用于比较不同方法（如表3、表8）。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n### 分类结构（Taxonomy）\n\n论文提出的分类法（Figure 3）将方法首先按**场景人数**划分为**单人体（Single-person）**和**多人（Multi-person）**两个层级。\n\n- **单人体方法**进一步按**监督程度**分为：\n  - **全监督（Fully-supervised）**\n  - **半监督到无监督（From Semi-supervised to Unsupervised）**，其中包含半监督、弱监督、自监督、无监督子类。\n- **多人方法**按**核心策略**分为三类：\n  - **几何约束（Geometric constraint-based）**\n  - **体素（Voxel-based）**\n  - **平面扫描立体（Plane sweep stereo-based）**\n\n论文还涵盖**多模态方法**（Section 5），包括RGB-D、ToF、360°相机和无线传感器（Wi-Fi/RF等），但未将其纳入主要分类树，作为补充方向讨论。\n\n### 代表性聚类与分离方式\n\n- **单人体全监督（Fully-supervised single-person）**：多数方法采用“2D姿态估计→跨视角关联→三角化/回归3D”的流水线，代表性工作如Remelli等 [^64]（DLT提升）、Bartol等 [^3]（随机三角化）、Jiang等 [^41]（概率三角化）、Cai等 [^9]（FusionFormer）等。其特点是依赖2D姿态质量和相机标定，性能较好但泛化受限。\n- **单人体低监督（Low-supervision single-person）**：利用多视角一致性、重投影损失、自监督预训练等减少标注依赖，如Rhodin等 [^66]、Kundu等 [^47]、Liu等 [^52]、Zhao等 [^99]等。论文通过对比表格（Table 3）显示这类方法性能普遍低于全监督，但差距在缩小（如Liu等 [^52] 达到22.50mm MPJPE）。\n- **多人几何约束（Multi-person geometric constraint-based）**：以3D Pictorial Structures（3DPS）、CRF、epipolar几何等为工具，强调2D姿态关联，代表作有Belagiannis等 [^5][^6][^4]、Dong等 [^24][^25]、Bridgeman等 [^8]、Xu和Kitani [^93]等。这类方法通常较快但受限于2D姿态失配和相机标定。\n- **多人体素（Multi-person voxel-based）**：典型代表是VoxelPose [^80]及其衍生（Faster VoxelPose [^94]、VoxelTrack [^98]、TesseTrack [^63]、FasterVoxelPose+ [^104]、VTP [^16]等）。直接在3D特征体积上回归，避免2D关联误差，但计算成本高、依赖多视角数量。\n- **多人平面扫描（Plane sweep stereo-based）**：以Lin和Lee [^49]为代表，利用平面扫描获取深度信息来增强2D姿态，再反投影得到3D，兼顾精度与速度。后续有Zhou等 [^101]、de França Silva等 [^19][^20]（无监督）等。\n\n### 重要图表解读\n\n**图1（PRISMA流程图）**：展示了系统检索与筛选流程：从Scopus检索获得204篇，经过去重、标题/摘要筛选、语言筛选、全文筛选后纳入73篇。该图说明了综述的覆盖范围和系统性。\n\n**图3（分类树）**：是文章的核心分类学框架。它将方法先按单人/多人划分，再分别按监督程度（单人体）和技术类型（多人）细分。这为读者提供了快速理解不同方法家族间差异的导航图。\n\n**图5（VoxelPose结构图）**：展示了体素方法的典型流水线：多视角RGB图像→2D热图→投影到3D空间形成特征体积→Cuboid Proposal Network（CPN）生成人体候选框→Pose Regression Network（PRN）输出3D姿态。这张图直观说明了体素方法如何避免2D关联问题。\n\n**图6（平面扫描方法概览）**：展示了Lin和Lee的方法：多视角图像→2D姿态估计→利用平面扫描获得逐像素深度图→结合2D姿态与深度反投影得到3D姿态。该图强调了深度信息在缓解2D失配中的作用。\n\n### 对比表格解读与覆盖分析\n\n- **Table 1**：对比了14篇已有综述与本文的范围，突出本文是唯一专门聚焦多视角标记点方法、覆盖57篇多视角工作、并涵盖无线传感器和多模态方法的综述（对比表）。\n- **Table 2**：总结了16个常用数据集，覆盖单人和多人、室内外、不同传感器类型（RGB、RGB-D、ToF、IMU等），并列出帧数、相机数、人数等关键属性，方便读者选择评估基准。\n- **Table 3**（Human3.6M上的单人体结果）：列出13种全监督方法（MPJPE从15.10mm到99.70mm）和8种低监督方法（MPJPE从22.50mm到131.70mm）。解读要点：全监督最优Cai等[^9]（15.10mm）比低监督最优Liu等[^52]（22.50mm）好7.4mm；使用2D GT可将Cai等提升至7.90mm，说明2D姿态误差是瓶颈。\n- **Table 4**（Campus/Shelf上的多人结果）：按三种类别（几何、体素、平面扫描）分组，分别给出三个演员及平均PCP（%）。几何类最优为Xu和Kitani [^93]（Campus平均97.80%，Shelf平均97.80%）；体素类最优为TesseTrack [^63]（Campus 97.40%，Shelf 98.20%）；平面扫描最优为Zhou等 [^101]（Campus 97.30%，Shelf 98.30%）。三类平均性能接近，但平面扫描在速度/复杂度上更具优势。\n- **附录A中的Table 5-10**：补充了MPI-INF-3DHP、KTH、HumanEva、Total Capture、UMPM、CMU Panoptic等数据集上的结果，展示方法在不同场景、不同视数、不同指标下的表现，尤其是CMU Panoptic中不同视角数（2~8）对MPJPE和AP的影响，凸显了方法对视角数量的敏感性。\n\n### 综述综合示意图（Mermaid 流程图）\n\n```mermaid\ngraph TD\n    A[Markerless Multi-view 3D HPE] --> B[Single-person]\n    A --> C[Multi-person]\n    A --> D[Multi-modal]\n    B --> B1[Fully-supervised]\n    B --> B2[From Semi-supervised to Unsupervised]\n    B1 --> B1a[2D pose + triangulation / geometric]\n    B1 --> B1b[Direct 3D regression / transformer]\n    B1 --> B1c[Probabilistic / stochastic triangulation]\n    B2 --> B2a[Semi-supervised]\n    B2 --> B2b[Weakly-supervised]\n    B2 --> B2c[Self-supervised]\n    B2 --> B2d[Unsupervised]\n    C --> C1[Geometric constraint-based]\n    C --> C2[Voxel-based]\n    C --> C3[Plane sweep stereo-based]\n    C1 --> C1a[3DPS / CRF / epipolar / matching]\n    C2 --> C2a[VoxelPose family]\n    C2 --> C2b[Transformer-based volume methods]\n    C3 --> C3a[Depth-info enhancement]\n    D --> D1[RGB-D / ToF / 360° cameras]\n    D --> D2[Wireless signals (Wi-Fi / RF)]\n```\n\n该图总结了论文的分类体系，并突出各策略间的关联与权衡。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n### 分类学假设\n\n该综述提出的分类体系将多视角3D人体姿态估计方法按场景中的人数分为单人与多人两类，并在每类下进一步细分：单人类按监督程度分为全监督与半监督到无监督；多人按特征处理空间分为基于几何约束、基于体素、基于平面扫描立体（plane sweep stereo）的方法。该分类隐含的假设是：任务的核心差异在于监督信号的多寡与特征表示所在的维度（2D/3D），同时假设主流方法均以2D姿态估计为中间步骤，体素方法则直接操作3D空间。该分类基本覆盖了现有方法，但忽略了一些更细粒度的方法类型，例如基于图模型、强化学习、神经网络架构搜索等。此外，分类依据“几何约束”和“平面扫描”存在一定重叠，因为平面扫描本身也依赖几何关系。\n\n### 覆盖偏差\n\n1. **期刊与会议覆盖偏差**：搜索仅使用Scopus数据库，可能遗漏了未被Scopus索引的会议论文或预印本（如arXiv），导致对最新研究（特别是2023-2024年快速发展的、可能只在预印本上发布的作品）覆盖不全。\n2. **方法类型侧重偏差**：综述明确聚焦于无标记方法，但将使用RGB-D、ToF、360°相机、Wi-Fi、RF等传感技术的多模态方法也纳入调查，然而这些方法在综述中篇幅相对较少，可能未充分挖掘非视觉传感方法的潜力。\n3. **评估指标偏差**：多数方法使用Human3.6M、Campus、Shelf等数据集评估，但综述未对不同方法在真实部署中的计算资源消耗、推断延迟等效率指标进行系统比较，导致“性能-速度”权衡的讨论缺乏量化依据。\n4. **地理/机构偏差**：作者团队均来自葡萄牙，可能对欧洲研究机构的方法更熟悉，而对亚洲（尤其中国）的某些方法覆盖可能因语言或检索式而不足。\n\n### 盲点或遗漏区域\n\n- **模型泛化与跨数据集评估不足**：综述未系统讨论方法在跨数据集（如从Human3.6M迁移到in-the-wild）表现的变化，也缺乏对模型在新场景、未见人物、姿态多样性上的泛化能力分析。\n- **实时性与边缘计算实现细节缺失**：部分方法（如LHPE-nets，分布式边缘设备方案）声称适合实时应用，但综述未比较各方法的具体推理速度（FPS）、参数量、内存占用等，难以评估实际可行性。\n- **交互与场景理解缺失**：综述标题强调“人体姿态估计”，但忽略了人与人交互、人与物体交互以及场景语义信息对姿态估计的潜在辅助作用，许多方法未考虑利用这类上下文信息。\n- **无标记方法的实际部署差距**：综述讨论了无标记方法的优点，但未分析标记方法（如MoCap）与无标记方法在精度上的具体差距，也未讨论无标记方法在医学、体育等专业领域的具体落地障碍（如精度不足以用于临床诊断）。\n\n### 优点和弱点\n\n### 优点：\n\n- **全面且结构化**：首次对2012年以来多视角无标记3D姿态估计进行了系统综述，涵盖57篇多视角工作，并提供了详细的分类学框架，清楚区分单人与多人、监督级别、特征空间类型（几何/体素/平面扫描）。\n- **比较分析详实**：提供了多个数据集上的性能对比表格（表3-表10），并针对每个方法类别分析优缺点，特别是对VoxelPose、Faster VoxelPose、plane sweep等方法的计算复杂性和性能权衡进行了深入讨论。\n- **多模态视角**：不仅涵盖RGB相机，还探讨了RGB-D、ToF、360°相机以及Wi-Fi、RF等无线传感方法，拓宽了综述范围，为未来多模态研究提供了方向。\n- **清晰的未来方向**：在讨论部分提出了具体改进方向，如低监督学习、时间一致性、深度信息融合、视角选择、主动学习等，对研究者有实际参考价值。\n\n## 弱点：\n\n- **方法细节深度不足**：作为综述，对个别方法的描述较为概括，缺少算法级伪代码或关键公式推导，读者难以直接复现核心方法。\n- **缺乏标准化的效率评估**：未统一比较各方法的计算成本（FLOPs、参数数量）或实际运行时延，使“复杂度-性能”权衡的论断缺乏数据支撑。\n- **时效性限制**：搜索更新至2024年6月，但2024年下半年及之后的快速进展（如基于扩散模型、更优Transformer的方法）未被涵盖，综述内容可能已部分过时。\n- **数据集讨论不够深入**：对数据集的讨论仅列出规模、相机数等，未分析标注质量、姿态分布、场景多样性对方法性能的影响，也缺乏对合成数据利用的探讨。\n\n### 未来综述更新方向\n\n- **纳入更广泛的检索源**：除Scopus外，应覆盖arXiv、Web of Science、Google Scholar等，并增加对预印本、开放获取工作的搜索，以捕获最新研究动态，尤其是2024年后兴起的方法。\n- **量化效率指标**：未来的综述应系统收集各方法的模型大小、推理时间、GPU占用等指标，并建立统一的效率-精度对比曲线，帮助研究者权衡实际部署选择。\n- **深入分析跨域泛化**：增加对方法在野外、动态场景、不同相机布局下的跨域泛化能力评估，以及对3D标注稀缺问题的应对策略（如利用自监督、合成数据、主动学习）的更广泛讨论。\n- **扩展人-物交互与场景理解**：将综述范围扩展至包含人与物体交互、场景上下文、多人社交行为的姿态估计方法，并分析这些信息如何辅助姿态重建，以贴近真实应用需求。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n### 术语表（15-40个条目）\n\n1. **3D Human Pose Estimation（三维人体姿态估计）**\n   - 定义：从图像或视频中估计人体关节的三维坐标，重建人体骨架。\n   - 直觉：将人体视为由关节连接的刚体链条，通过视觉信息推断其空间姿态。\n   - 在论文中的作用：论文的核心研究对象，所有方法均围绕此任务展开。\n   - 前置知识：人体解剖学基本关节定义、2D姿态估计。\n\n2. **Multi-view（多视角）**\n   - 定义：使用多个摄像机从不同角度同时采集同一场景的图像。\n   - 直觉：多个视角提供互补信息，有助于解决遮挡和深度模糊问题。\n   - 在论文中的作用：论文聚焦于多视角设置下的三维姿态估计方法。\n   - 前置知识：摄像机几何、标定。\n\n3. **Markerless（无标记）**\n   - 定义：不需要在人体上粘贴物理标记或穿戴传感器的方法。\n   - 直觉：避免标记物对运动的干扰，便于真实场景部署。\n   - 在论文中的作用：限定综述范围为无标记方法，排除基于标记的动捕。\n   - 前置知识：标记式动捕、光学标记。\n\n4. **2D Pose Estimation（二维人体姿态估计）**\n   - 定义：从单张图像中检测人体关键点的二维像素坐标。\n   - 直觉：输出关节在图像平面的位置，是多视角三维重建的常见中间步骤。\n   - 在论文中的作用：许多方法先估2D姿态再三角化或提升为3D。\n   - 前置知识：CNN、热图回归。\n\n5. **Triangulation（三角化）**\n   - 定义：利用多摄像机下同一三维点的多个二维投影和相机参数，计算该点的三维坐标。\n   - 直觉：根据视线交点确定空间位置。\n   - 在论文中的作用：作为几何约束方法的核心重建技术，也用于生成基准。\n   - 前置知识：对极几何、相机投影矩阵。\n\n6. **Epipolar Geometry（对极几何）**\n   - 定义：描述两幅图像之间对应点的几何约束关系。\n   - 直觉：一个三维点在另一视图中的投影必然位于对极线上。\n   - 在论文中的作用：用于跨视角2D姿态匹配与验证。\n   - 前置知识：相机内参、外参、基础矩阵。\n\n7. **Direct Linear Transform (DLT)（直接线性变换）**\n   - 定义：从一组对应点线性求解投影矩阵或三维位置的方法。\n   - 直觉：将三角化问题转化为线性方程组求解。\n   - 在论文中的作用：用于快速三角化（如Remelli等人的方法）。\n   - 前置知识：线性代数、投影几何。\n\n8. **2D Pose Mismatch（二维姿态不匹配）**\n   - 定义：在不同视图中同一关节的二维检测结果不一致或关联错误。\n   - 直觉：由于遮挡、外观差异等导致跨视角的2D关节点无法正确对应，影响3D重建。\n   - 在论文中的作用：作为多视角方法的主要挑战之一，引出体素和平面扫描等规避方案。\n   - 前置知识：2D姿态估计、跨视角匹配。\n\n9. **Geometric Constraint-based Methods（基于几何约束的方法）**\n   - 定义：利用多视角几何关系（如三角化、对极几何、人体结构约束）来重建3D姿态的一类方法。\n   - 直觉：依赖2D姿态估计和几何关系，通常需要相机标定。\n   - 在论文中的作用：论文分类学中一个主要类别，涵盖多数经典方法。\n   - 前置知识：三角化、对极几何、图模型。\n\n10. **Voxel-based Methods（基于体素的方法）**\n    - 定义：将多视图2D特征投影到3D体素空间，直接学习3D姿态。\n    - 直觉：在3D空间操作，避免2D匹配问题，但计算量大。\n    - 在论文中的作用：作为另一主要类别，代表如VoxelPose。\n    - 前置知识：3D CNN、体素化、特征体。\n\n11. **Plane Sweep Stereo-based Methods（平面扫描立体方法）**\n    - 定义：利用平面扫描立体网络估计每个关节的深度，再结合2D姿态重建3D姿态。\n    - 直觉：在离散深度平面上搜索匹配，融合深度信息减少2D匹配误差。\n    - 在论文中的作用：作为第三类多视角方法，兼顾精度与速度。\n    - 前置知识：立体匹配、深度估计、相机标定。\n\n12. **Supervised Learning（监督学习）**\n    - 定义：使用带标注数据（如三维关节标注）训练模型。\n    - 直觉：模型学习输入到输出的映射，需要大量人工标注。\n    - 在论文中的作用：区分全监督、半监督、弱监督、无监督等不同监督级别。\n    - 前置知识：机器学习基础。\n\n13. **Semi-supervised Learning（半监督学习）**\n    - 定义：同时使用少量标注数据和大量未标注数据进行训练。\n    - 直觉：利用未标注数据的分布信息辅助学习。\n    - 在论文中的作用：用于解决标注数据稀缺问题。\n    - 前置知识：监督学习、无监督学习。\n\n14. **Weakly-supervised Learning（弱监督学习）**\n    - 定义：使用不完全或不精确的标注（如图像级标签）进行训练。\n    - 直觉：降低标注精度要求，利用更容易获取的监督信号。\n    - 在论文中的作用：作为低监督级别的一种，用于减少对3D标注的依赖。\n    - 前置知识：监督学习。\n\n15. **Unsupervised Learning（无监督学习）**\n    - 定义：完全不使用标注数据，从数据自身结构学习。\n    - 直觉：通过重建、一致性等任务发现隐式规律。\n    - 在论文中的作用：完全摆脱标注需求，但性能通常低于监督方法。\n    - 前置知识：机器学习基础。\n\n16. **Self-supervised Learning（自监督学习）**\n    - 定义：利用输入数据自身生成伪标签进行训练（如多视角一致性）。\n    - 直觉：通过设计代理任务，无需人工标注。\n    - 在论文中的作用：许多低监督方法采用自监督策略，利用多视角几何。\n    - 前置知识：无监督学习。\n\n17. **Active Learning（主动学习）**\n    - 定义：模型主动选择最有价值的样本请求人工标注，以最小化标注成本。\n    - 直觉：让模型决定哪些数据值得标注，提高标注效率。\n    - 在论文中的作用：作为一种数据标注效率提升技术，仅有一篇工作采用。\n    - 前置知识：监督学习、标注流程。\n\n18. **Temporal Consistency（时间一致性）**\n    - 定义：利用视频帧之间的时间连贯性来约束姿态估计，减少抖动和误检。\n    - 直觉：相邻帧姿态应平滑变化，可辅助跟踪和纠正错误。\n    - 在论文中的作用：被广泛用于改善姿态估计和追踪。\n    - 前置知识：光流、时序模型（RNN/CNN）。\n\n19. **Multi-modal（多模态）**\n    - 定义：结合多种传感器或数据源（如RGB、深度、Wi-Fi信号）进行姿态估计。\n    - 直觉：不同模态提供互补信息，增强鲁棒性。\n    - 在论文中的作用：作为单独章节，讨论RGB-D、ToF、无线传感器等。\n    - 前置知识：传感器原理、数据融合。\n\n20. **RGB-D Camera（彩色深度相机）**\n    - 定义：同时采集彩色图像和深度图像（每个像素有距离）的相机。\n    - 直觉：直接提供深度信息，简化3D重建。\n    - 在论文中的作用：作为多模态输入的一种，用于3D姿态估计。\n    - 前置知识：相机原理、深度感知。\n\n21. **Time-of-Flight (ToF) Camera（飞行时间相机）**\n    - 定义：通过测量光脉冲飞行时间获取深度信息的相机。\n    - 直觉：主动发射光，计算反射时间，精度较高。\n    - 在论文中的作用：被用于获取深度和红外强度，增强鲁棒性。\n    - 前置知识：光学、激光测距。\n\n22. **360° Camera（全景相机）**\n    - 定义：能捕获整个水平视场（360°）图像的相机。\n    - 直觉：单台相机即可覆盖广泛场景，减少相机数量。\n    - 在论文中的作用：用于双全景相机系统进行3D姿态估计。\n    - 前置知识：鱼眼镜头、图像拼接。\n\n23. **Wireless Sensor（无线传感器）**\n    - 定义：如Wi-Fi、RF设备，利用无线信号特性感知人体姿态。\n    - 直觉：信号受人体反射影响，可提取姿态信息，不受遮挡和光照影响。\n    - 在论文中的作用：作为视觉方法的替代方案，在第五章介绍。\n    - 前置知识：射频、信道状态信息（CSI）。\n\n24. **Channel State Information (CSI)（信道状态信息）**\n    - 定义：无线通信中描述信道特性的参数，包含振幅和相位信息。\n    - 直觉：人体运动改变信号传播路径，CSI随之变化，可用于姿态估计。\n    - 在论文中的作用：作为无线传感的主要信号之一。\n    - 前置知识：无线通信、信号处理。\n\n25. **Radio-Frequency (RF)（射频）**\n    - 定义：电磁波谱中的无线电频段信号。\n    - 直觉：RF信号可穿透障碍物，适合非视距场景。\n    - 在论文中的作用：用于无线姿态估计，如RF-Pose。\n    - 前置知识：电磁波、天线。\n\n26. **Mean Per Joint Position Error (MPJPE)（平均关节位置误差）**\n    - 定义：所有关节的预测位置与真值之间的平均欧氏距离（毫米）。\n    - 直觉：数值越小，姿态估计越准确。\n    - 在论文中的作用：最常用的3D姿态评估指标之一。\n    - 前置知识：欧氏距离、统计平均。\n\n27. **Percentage of Correct Parts (PCP)（正确部位百分比）**\n    - 定义：估计的肢体端点与真值距离小于阈值（通常为肢体长度的一半）的比例。\n    - 直觉：衡量肢体检测的准确性。\n    - 在论文中的作用：用于评估多人姿态估计结果（如Campus/Shelf）。\n    - 前置知识：关节、肢体定义。\n\n28. **Percentage of Correct Keypoints (PCK)（正确关键点百分比）**\n    - 定义：估计关键点与真值距离小于阈值的比例。\n    - 直觉：类似于PCP，但针对单个关键点。\n    - 在论文中的作用：用于评估2D/3D关键点检测性能。\n    - 前置知识：关键点、阈值。\n\n29. **Average Precision (AP)（平均精度）**\n    - 定义：以MPJPE为阈值，计算真阳性和假阳性的比率，用于评估姿态检测的精确度。\n    - 直觉：结合准确率和召回率，衡量检测质量。\n    - 在论文中的作用：用于数据集如CMU Panoptic的评估。\n    - 前置知识：精确率、召回率。\n\n30. **Procrustes Alignment（普氏对齐）**\n    - 定义：在计算MPJPE前，将预测姿态与真值进行刚体变换（旋转、平移、缩放）对齐。\n    - 直觉：消除全局朝向和尺度差异，更关注关节相对位置。\n    - 在论文中的作用：用于PA-MPJPE变体指标。\n    - 前置知识：刚体变换、最小二乘。\n\n31. **Conditional Random Field (CRF)（条件随机场）**\n    - 定义：一种概率图模型，用于建模输出变量之间的依赖关系。\n    - 直觉：在姿态估计中，利用关节间的结构约束。\n    - 在论文中的作用：许多几何约束方法使用CRF（如3D Pictorial Structures）。\n    - 前置知识：图模型、马尔可夫随机场。\n\n32. **Pictorial Structures (PS)（图形结构）**\n    - 定义：一种基于部件的模型，将人体表示为关节连接的部件集合，通过评分函数匹配。\n    - 直觉：将姿态估计视为部件检测和空间配置优化问题。\n    - 在论文中的作用：作为经典框架，被多种方法扩展用于多视图。\n    - 前置知识：部件模型、图搜索。\n\n33. **Gaussian Mixture Model (GMM)（高斯混合模型）**\n    - 定义：用多个高斯分布的加权和来拟合数据分布的概率模型。\n    - 直觉：用于聚类或密度估计。\n    - 在论文中的作用：用于估计场景中的人数（如Ershadi等人的方法）。\n    - 前置知识：概率论、聚类。\n\n34. **Support Vector Machine (SVM)（支持向量机）**\n    - 定义：一种监督分类器，通过最大化分类间隔构造决策边界。\n    - 直觉：将数据映射到高维空间，寻找最优分割超平面。\n    - 在论文中的作用：用于学习3DPS中势函数的权重。\n    - 前置知识：分类、核技巧。\n\n35. **Vision Transformer (ViT)（视觉Transformer）**\n    - 定义：基于自注意力机制的Transformer架构应用于图像处理。\n    - 直觉：能够捕捉长距离依赖，优于CNN的局部感受野。\n    - 在论文中的作用：VitPose等方法使用Transformer进行特征融合和姿态回归。\n    - 前置知识：Transformer、自注意力。\n\n36. **Transformer（变换器）**\n    - 定义：一种序列到序列的深度学习架构，基于自注意力机制。\n    - 直觉：并行处理序列，捕捉全局上下文。\n    - 在论文中的作用：用于特征融合（如FusionFormer）和直接预测3D姿态。\n    - 前置知识：注意力机制、深度学习基础。\n\n37. **Convolutional Neural Network (CNN)（卷积神经网络）**\n    - 定义：利用卷积核提取图像特征的深度学习模型。\n    - 直觉：通过局部连接和权重共享高效处理图像。\n    - 在论文中的作用：大多数方法使用CNN进行2D姿态估计或特征提取。\n    - 前置知识：深度学习、图像处理。\n\n38. **Heatmap（热图）**\n    - 定义：表示每个像素位置成为关键点概率的二维图。\n    - 直觉：峰值位置对应关节位置。\n    - 在论文中的作用：作为2D姿态估计的输出，进而投影到3D特征体。\n    - 前置知识：概率分布、图像表示。\n\n39. **Depth Information（深度信息）**\n    - 定义：场景中物体表面到相机的距离数据。\n    - 直觉：提供三维几何的直接线索，减少深度模糊。\n    - 在论文中的作用：用于平面扫描方法、RGB-D相机等。\n    - 前置知识：立体视觉、深度估计。\n\n40. **Data Scarcity（数据稀缺）**\n    - 定义：缺乏足够的标注数据来训练模型。\n    - 直觉：高质量3D人体姿态标注昂贵且困难。\n    - 在论文中的作用：作为主要挑战，推动低监督方法和主动学习研究。\n    - 前置知识：机器学习、数据集。\n\n### 概念依赖图（文本形式）\n\n```text\n3D Human Pose Estimation (目标)\n├── 输入模态\n│   ├── RGB图像（多视角）\n│   ├── RGB-D/ToF (深度信息)\n│   └── 无线信号 (CSI/RF)\n├── 关键挑战\n│   ├── 遮挡 (Occlusion)\n│   ├── 2D姿态不匹配 (2D Pose Mismatch)\n│   ├── 相机标定依赖 (Calibration Dependence)\n│   └── 3D标注数据稀缺 (Data Scarcity)\n├── 方法分类（按监督级别）\n│   ├── 全监督 (Supervised)\n│   ├── 半监督/弱监督/无监督/自监督\n│   └── 主动学习 (Active Learning)\n├── 方法分类（按技术路线）\n│   ├── 几何约束 (Geometric Constraint) → 依赖2D姿态估计, 使用三角化/对极几何/PS/CRF\n│   ├── 体素 (Voxel-based) → 直接操作3D特征, 使用3D CNN\n│   └── 平面扫描 (Plane Sweep Stereo) → 融合深度信息\n├── 核心组件\n│   ├── 2D姿态估计器 (CNN/Transformer) → 生成热图\n│   ├── 跨视角匹配 (三角化/对极几何/贪心匹配)\n│   ├── 3D特征体 (体素化/投影)\n│   └── 时序模块 (时间一致性)\n└── 评估\n    ├── 数据集 (Human3.6M, Campus, Shelf, CMU Panoptic等)\n    └── 指标 (MPJPE, PCP, PCK, AP等)\n```\n\n关系说明：多视角RGB输入经过2D姿态估计后，几何约束方法利用三角化和对极几何进行匹配；体素方法将2D热图投影到3D空间；平面扫描方法借助深度信息。监督级别影响数据需求和泛化能力。时间一致性可增强匹配与跟踪。多模态输入（深度、无线信号）可缓解遮挡和光照问题。评估指标依赖于标准数据集和地面真值。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n### 模块G：验证与参考文献检查\n\n#### 1. 关键事实核查（每项至少两个来源）\n\n- **事实1：多数现有方法采用“先2D姿态估计、再进行跨视角关联和三角化”的流程**\n  - 论文摘要与第6.1节（第6.1节，表3）明确说明多数单人和多人方法依赖2D姿态估计。\n  - 第6.2节（第6.2节）也指出“几何约束方法和平面扫描立体方法依赖于2D姿态估计”。\n  - 引用文献：Belagiannis et al. (2014)、Remelli et al. (2020)、Xia & Zhang (2022) 等均在正文中采用该流程。\n\n- **事实2：VoxelPose（Tu et al., 2020）直接在3D空间工作，避免了2D姿态匹配问题**\n  - 第4.2.2节描述VoxelPose架构：输入多视角图像→生成2D热图→投影到3D形成体素特征→通过立方体提议网络和姿态回归网络。\n  - 第6.2节明确“体素方法通过直接在3D空间工作来克服2D姿态不匹配问题”。\n  - 附录表10列出了VoxelPose在CMU Panoptic数据集上的结果（MPJPE、AP等）。\n\n- **事实3：自监督或弱监督方法能缓解标注数据稀缺，但性能通常低于全监督方法**\n  - 第6.1节对比了全监督与低监督方法在Human3.6M上的MPJPE（表3），如Rhodin et al. (2018) 131.70 mm vs. Cai et al. (2024) 15.10 mm。\n  - 摘要提到“低监督方法有助于解决标注数据稀缺和泛化问题”。\n  - 第7章结论同样指出“低监督方法有助于解决标注数据稀缺”。\n\n- **事实4：当前没有方法能同时满足高精度、快速推理和低计算成本**\n  - 第6.3节讨论“需要平衡性能与复杂度”。\n  - 第7章结论明确“没有方法能在准确率、速度和计算成本之间取得平衡”。\n  - 正文多处提到“trade-off”，如第6.2节关于几何方法与体素方法的对比。\n\n- **事实5：数据集Human3.6M、Campus、Shelf、CMU Panoptic是最常用的多视角3D姿态数据集**\n  - 第2章开篇列出这四个数据集。\n  - 表2给出这些数据集的详细特征。\n  - 表3、表4、表10、附录A均基于这些数据集进行实验评估。\n\n- **事实6：综述搜索过程于2023年9月进行，2024年6月更新，共筛选出73篇相关作品**\n  - 第1.2节描述搜索过程和筛选标准。\n  - 同一节提到“共73篇作品被完全审阅”。\n  - 图1为PRISMA流程图，图2展示发表数量增长。\n\n#### 2. 冲突或不确定注释\n\n- **冲突1：关于“三维姿态估计方法类别”的划分**\n  - 论文将多人方法分为几何约束、体素、平面扫描立体三类（图3），但某些方法可能同时兼具多种特征（如VoxelTrack结合体素和时间信息），分类边界存在一定模糊性。\n  - 论文自身未明确讨论这种重叠，读者需自行判断。\n\n- **冲突2：关于“自监督方法是否优于全监督”**\n  - 摘要和结论均指出低监督方法有助于泛化，但表3显示自监督最佳结果（Liu et al. 22.50 mm）仍与全监督最佳（Cai et al. 15.10 mm）有差距。\n  - 第6.1节也承认全监督方法通常结果更好，但认为低监督方法在数据稀缺时更实用。\n\n- **冲突3：关于“平面扫描立体与体素方法的性能对比”**\n  - 表4显示在Campus和Shelf数据集上，平面扫描方法（Lin & Lee 97.0/97.9）与体素方法（TesseTrack 97.4/98.2）各有优劣，但论文第6.2节指出平面扫描方法更轻量、更快。\n  - 论文未提供统一的速度或复杂度数据，导致对比不全面。\n\n- **不确定之处：部分表格数据存在不一致**\n  - 表8中“Wan et al. [^82]”的某些单元格为空，可能表示未报告或不适用。\n  - 表10中“Zhang and Zhou [^104]”实际对应“Zhuang and Zhou”可能在正文中未完全统一名称。\n  - 附录A.2表10中“Zhang and Zhou [^104]”与正文“Zhuang and Zhou”的引用编号一致，但名称略有出入。\n\n- **不确定性：关于“多模态方法”的范围**\n  - 第5章只讨论了RGB-D、ToF、360°相机和无线信号（Wi-Fi/RF），但未深入探讨视觉与IMU结合（如Total Capture数据集），且指出“无线信号与视觉结合的创新多模态方法”尚未被研究（第7章）。\n\n#### 3. 参考文献列表（关键参考文献）\n\n- [^1] Amin, S., Andriluka, M., Rohrbach, M., Schiele, B. (2013). Multi-view pictorial structures for 3d human pose estimation. BMVC.\\n- [^2] Andriluka, M., Pishchulin, L., Gehler, P., Schiele, B. (2014). 2d human pose estimation: New benchmark and state of the art analysis. CVPR.\\n- [^3] Bartol, K., Bojanić, D., Petković, T., Pribanić, T. (2022). Generalizable human pose triangulation. CVPR.\\n- [^4] Belagiannis, V., Amin, S., Andriluka, M., Schiele, B., Navab, N., Ilic, S. (2016). 3d pictorial structures revisited: Multiple human pose estimation. IEEE TPAMI, 38(10):1929–1942.\\n- [^5] Belagiannis, V., Amin, S., Andriluka, M., Schiele, B., Navab, N., Ilic, S. (2014). 3d pictorial structures for multiple human pose estimation. CVPR.\\n- [^6] Belagiannis, V., Wang, X., Schiele, B., Fua, P., Ilic, S., Navab, N. (2015). Multiple human pose estimation with temporally consistent 3d pictorial structures. ECCV Workshops.\\n- [^8] Bridgeman, L., Volino, M., Guillemaut, J.-Y., Hilton, A. (2019). Multi-person 3d pose estimation and tracking in sports. CVPRW.\\n- [^9] Cai, Y., Zhang, W., Wu, Y., Jin, C. (2024). Fusionformer: A concise unified feature fusion transformer for 3d pose estimation. AAAI.\\n- [^10] Cao, Z., Simon, T., Wei, S.-E., Sheikh, Y. (2017). Realtime multi-person 2d pose estimation using part affinity fields. CVPR.\\n- [^15] Chen, Y., Tian, Y., He, M. (2020). Monocular human pose estimation: A survey of deep learning-based methods. CVIU, 192:102897.\\n- [^22] Deng, J., Yao, H., Shi, P. (2023). Enhanced 3d pose estimation in multi-person, multi-view scenarios through unsupervised domain adaptation with dropout discriminator. Sensors, 23(20):8406.\\n- [^23] Desmarais, Y., Mottet, D., Slangen, P., Montesinos, P. (2021). A review of 3d human pose estimation algorithms for markerless motion capture. CVIU, 212:103275.\\n- [^24] Dong, J., Jiang, W., Huang, Q., Bao, H., Zhou, X. (2019). Fast and robust multi-person 3d pose estimation from multiple views. (arXiv?)\\n- [^25] Dong, J., Fang, Q., Jiang, W., Yang, Y., Huang, Q., Bao, H., Zhou, X. (2022). Fast and robust multi-person 3d pose estimation and tracking from multiple views. IEEE TPAMI, 44(10):6981–6992.\\n- [^26] Duarte, A., Palaskar, S., Ventura, L., Ghadiyaram, D., DeHaan, K., Metze, F., et al. (2021). How2Sign: A Large-scale Multimodal Dataset for Continuous American Sign Language. CVPR.\\n- [^27] Ershadi-Nasab, S., Noury, E., Kasaei, S., Sanaei, E. (2018). Multiple human 3d pose estimation from multiview images. Multimedia Tools and Applications, 77:15573–15601.\\n- [^28] Ershadi Nasab, S., Kasaei, S., Sanaei, E. (2021). Uncalibrated multi-view multiple humans association and 3d pose estimation by adversarial learning. Multimedia Tools and Applications, 80:1–28.\\n- [^29] Fan, Z., Li, X., Li, Y. (2021). Multi-agent deep reinforcement learning for online 3d human poses estimation. Remote Sensing, 13(19):3995.\\n- [^30] Feng, Q., He, K., Wen, H., Keskin, C., Ye, Y. (2023). Rethinking the data annotation process for multiview 3d pose estimation with active learning and self-training. WACV.\\n- [^33] Holte, M.B., Tran, C., Trivedi, M.M., Moeslund, T.B. (2012). Human pose estimation and activity recognition from multi-view videos: Comparative explorations of recent developments. IEEE JSTSP, 6(5):538–552.\\n- [^38] Ionescu, C., Papava, D., Olaru, V., Sminchisescu, C. (2014). Human3.6M: Large scale datasets and predictive methods for 3d human sensing in natural environments. IEEE TPAMI, 36(7):1325–1339.\\n- [^39] Jenni, S., Favaro, P. (2021). Self-supervised multi-view synchronization learning for 3d pose estimation. ACCV.\\n- [^40] Ji, X., Fang, Q., Dong, J., Shuai, Q., Jiang, W., Zhou, X. (2020). A survey on monocular 3d human pose estimation. Virtual Reality and Intelligent Hardware, 2(6):471–500.\\n- [^41] Jiang, B., Hu, L., Xia, S. (2023). Probabilistic triangulation for uncalibrated multi-view 3d human pose estimation. ICCV.\\n- [^42] Joo, H., Simon, T., Li, X., Liu, H., Tan, L., Gui, L., et al. (2017). Panoptic studio: A massively multiview system for social interaction capture. IEEE TPAMI.\\n- [^46] Kumar, P., Chauhan, S., Awasthi, L.K. (2022). Human pose estimation using deep learning: review, methodologies, progress and future research directions. International Journal of Multimedia Information Retrieval, 11:1–33.\\n- [^47] Kundu, J., Seth, S., Rahul, M.V., Rakesh, M., Babu, R., Chakraborty, A. (2020). Kinematic-structure-preserved representation for unsupervised 3d human pose estimation. AAAI.\\n- [^49] Lin, J., Lee, G.H. (2021). Multi-view multi-person 3d pose estimation with plane sweep stereo. CVPR.\\n- [^50] Lin, J., Li, S., Qin, H., Wang, H., Cui, N., Jiang, Q., et al. (2023). Overview of 3d human pose estimation. CMES, 134(3):1621–1651.\\n- [^52] Liu, L., Yang, L., Chen, W., Gao, X. (2021). Dual-view 3d human pose estimation without camera parameters for action recognition. IET Image Processing, 15(14):3433–3440.\\n- [^53] Liu, W., Bao, Q., Sun, Y., Mei, T. (2022). Recent advances of monocular 2d and 3d human pose estimation: A deep learning perspective. ACM Computing Surveys, 55(4).\\n- [^55] Ma, Z., Li, K., Li, Y. (2023). Self-supervised method for 3d human pose estimation with consistent shape and viewpoint factorization. Applied Intelligence, 53:3864–3876.\\n- [^57] Mehrizi, R., Peng, X., Tang, Z., Xu, X., Metaxas, D., Li, K. (2018). Toward marker-free 3d pose estimation in lifting: A deep multiview solution. FG.\\n- [^59] Mustafa, A., Russell, C., Hilton, A. (2022). 4d temporally coherent multi-person semantic reconstruction and segmentation. IJCV, 130:1–24.\\n- [^60] Nakatsuka, C., Komorita, S. (2022). Stable 3d human pose estimation in low-resolution videos with a few views. ICRA.\\n- [^63] Reddy, N., Guigues, L., Pishchulin, L., Eledath, J., Narasimhan, S.G. (2021). TesseTrack: End-to-end learnable multi-person articulated 3d pose tracking. CVPR.\\n- [^64] Remelli, E., Han, S., Honari, S., Fua, P., Wang, R. (2020). Lightweight multi-view 3d pose estimation through camera-disentangled representation. CVPR.\\n- [^66] Rhodin, H., Salzmann, M., Fua, P. (2018). Unsupervised geometry-aware representation for 3d human pose estimation. ECCV.\\n- [^67] Rochette, G., Russell, C., Bowden, R. (2019). Weakly-supervised 3d pose estimation from a single image using multi-view consistency. BMVC.\\n- [^73] Sigal, L., Balan, A., Black, M. (2010). HumanEva: Synchronized video and motion capture dataset and baseline algorithm for evaluation of articulated human motion. IJCV, 87:4–27.\\n- [^74] Solichah, U., Purnomo, M.H., Yuniarno, E.M. (2020). Marker-less motion capture based on OpenPose model using triangulation. ISITIA.\\n- [^75] Song, L., Yu, G., Yuan, J., Liu, Z. (2021). Human pose estimation and its application to action recognition: A survey. JVCIR, 76:103055.\\n- [^80] Tu, H., Wang, C., Zeng, W. (2020). VoxelPose: Towards multi-camera 3d human pose estimation in wild environment. ECCV.\\n- [^82] Wan, X., Chen, Z., Zhao, X. (2023). View consistency aware holistic triangulation for 3d human pose estimation. CVIU, 236:103830.\\n- [^83] Wang, H., Sun, M. (2022). Smart-VPoseNet: 3d human pose estimation models and methods based on multi-view discriminant network. Knowledge-Based Systems, 239:107992.\\n- [^84] Wang, H., Sun, M., Zhang, H., Dong, L. (2022). LHPE-nets: A lightweight 2d and 3d human pose estimation model with well-structural deep networks and multi-view pose sample simplification method. PLoS ONE, 17.\\n- [^85] Wang, J., Tan, S., Zhen, X., Xu, S., Zheng, F., He, Z., Shao, L. (2021). Deep 3d human pose estimation: A review. CVIU, 210:103225.\\n- [^86] Wang, T., Zhang, J., Cai, Y., Yan, S., Feng, J. (2021). Direct multi-view multi-person 3d pose estimation. NeurIPS.\\n- [^89] Xia, H., Zhang, Q. (2022). VitPose: Multiview 3d human pose estimation with vision transformer. ICCC.\\n- [^93] Xu, Y., Kitani, K. (2022). Multi-view multi-person 3d pose estimation with uncalibrated camera networks. BMVC.\\n- [^94] Ye, H., Zhu, W., Wang, C., Wu, R., Wang, Y. (2022). Faster VoxelPose: Real-time 3d human pose estimation by orthographic projection. ECCV.\\n- [^96] Zhang, D., Wu, Y., Guo, M., Chen, Y. (2021). Deep learning methods for 3d human pose estimation under different supervision paradigms: A survey. Electronics, 10(18):2267.\\n- [^98] Zhang, Y., Wang, C., Wang, X., Liu, W., Zeng, W. (2023). VoxelTrack: Multi-person 3d human pose estimation and tracking in the wild. IEEE TPAMI, 45(2):2613–2626.\\n- [^99] Zhao, J., Yu, T., An, L., Huang, Y., Deng, F., Dai, Q. (2023). Triangulation residual loss for data-efficient 3d pose estimation. NeurIPS.\\n- [^100] Zheng, C., Wu, W., Chen, C., Yang, T., Zhu, S., Shen, J., et al. (2023). Deep learning-based human pose estimation: A survey. ACM Computing Surveys, 55(8).\\n- [^101] Zhou, M., Liu, R., Yi, P., Zhou, D., Zhang, Q., Wei, X. (2022). ER-Net: Efficient recalibration network for multi-view multi-person 3d pose estimation. ICVR.\\n- [^103] Zhu, Z., Liu, S., Shuai, J., Du, S., Li, Y. (2023). 3D associative embedding: Multiview 3d human pose estimation in crowded scenes. CNIOT.\\n- [^104] Zhuang, Z., Zhou, Y. (2023). FasterVoxelPose+: Fast and accurate voxel-based 3d human pose estimation by depth-wise projection decay. (未提供完整信息，仅提及2023年，可能来自会议/期刊)。\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n### 一、图表全索引\n\n下表列出论文中所有图表及其关键属性。重要度评分：1（一般）、2（重要）、3（核心）。\n\n| 编号 | 标题（原文） | 类型 | 位置 | 支持的观点 | 重要度 |\n|------|--------------|------|------|------------|--------|\n| Figure 1 | PRISMA diagram of the conducted research process | 图 | 第 1.2 节 Search Process | 展示文献筛选流程，体现综述的系统性 | 1 |\n| Figure 2 | Evolution of the published works found in Scopus database for markerless 3D pose estimation in multi-camera settings or by using other types of sensors | 图 | 第 1.2 节 Search Process | 展示研究兴趣随时间增长，说明领域热度 | 1 |\n| Figure 3 | Proposed taxonomy for multi-view 3D pose estimation | 图 | 第 4 节 Multi-view approaches 开头 | 定义全文分类体系，是综述的结构核心 | 3 |\n| Figure 4 | Active learning process | 图 | 第 4.1.2 节（讨论 Feng et al.） | 辅助说明主动学习在标注中的应用 | 1 |\n| Figure 5 | Overview of the VoxelPose architecture | 图 | 第 4.2.2 节（介绍 VoxelPose） | 直观展示体素法流程，说明其如何避免 2D 关联误差 | 2 |\n| Figure 6 | Overview of the plane sweep stereo-based method followed by Lin and Lee | 图 | 第 4.2.3 节（介绍平面扫描法） | 展示平面扫描法结构，体现其利用深度信息改进方式 | 2 |\n| Table 1 | Table of a comparative analysis between the surveys on 3D pose estimation | 表 | 第 1.2 节 Search Process | 对比综述覆盖范围，突出本研究独特性（多视角、多模态、含基准） | 2 |\n| Table 2 | Summary of the found datasets for Multi-view 3D Human Pose Estimation | 表 | 第 2 节 Datasets | 汇总数据集关键特性，为后续评估提供基础 | 2 |\n| Table 3 | Table summarising the results reported in the revised publications for the Human3.6M dataset | 表 | 第 4.1.2 节末尾 | 呈现 Human3.6M 上各方法性能，支撑“监督程度与性能关系”的讨论 | 3 |\n| Table 4 | Table summarising the results reported in the revised publications for the Campus and Shelf datasets | 表 | 第 4.2.3 节末尾 | 呈现多人与多视角方法在标准数据集上的完整对比，是核心性能对比表 | 3 |\n| Table 5 | Performance of the revised methods in the MPI-INF-3DHP dataset | 表 | 附录 A.1 | 补充单人生成在 MPI-INF-3DHP 上的结果，便于跨数据集理解 | 2 |\n| Table 6 | Performance of the revised methods in the KTH Multiview Football II dataset | 表 | 附录 A.1 | 展示在真实体育场景下的性能，体现方法泛化能力 | 2 |\n| Table 7 | 3D error (mm) of the revised methods in the HumanEva dataset | 表 | 附录 A.1 | 提供 HumanEva 上的误差数据，补充早期方法基准 | 2 |\n| Table 8 | MPJPE (mm) of the revised methods in the Total Capture dataset | 表 | 附录 A.1 | 展示 Total Capture 上在已知/未知相机及人物下的性能，验证泛化性 | 2 |\n| Table 9 | Performance of the revised methods in the UMPM dataset | 表 | 附录 A.2 | 提供 UMPM 上的 PCP 数据，补充多人生成数据集结果 | 2 |\n| Table 10 | Performance of the revised methods in the CMU Panoptic dataset | 表 | 附录 A.2 | 包含不同相机数量下的 AP 指标，是评估多视角方法鲁棒性的重要基准 | 3 |\n\n### 二、高优先级深度阅读（5 项）\n\n以下图表对理解综述结论最为关键，建议精读：\n\n1. **Figure 3（分类图）**：这是文章的组织骨架，定义了单人/多人、监督级别、几何/体素/平面扫描等分类，所有后续讨论都基于此。理解该图可迅速把握论述脉络。\n2. **Table 4（性能对比表）**：集中了多类方法在 Campus 和 Shelf 数据集上的 PCP 值，直接支撑第 6.2 节中关于“几何约束法、体素法、平面扫描法的准确性与效率权衡”的讨论，是评价方法优劣的核心证据。\n3. **Table 3（Human3.6M 结果表）**：展示了不同监督级别（完全监督、半监督、自监督、无监督）的 MPJPE 值，用于论证监督程度与性能的关系，以及 2D 估计误差对整体模型的限制。\n4. **Figure 5（VoxelPose 架构）**：理解体素法的基本原理，才能明白为何它能避免 2D 关联错误，但计算成本高。该图是体素法系列工作的源头。\n5. **Figure 6（平面扫描法架构）**：展示如何通过平面扫描获得深度信息以改进 2D 姿态，支撑“深度信息可缓解 2D 错配”的论点，也是第 4.2.3 节的起点。\n\n### 三、分类图/对比表/基准总结表\n\n- **分类图**：**Figure 3**——提出多层分类体系，涵盖单人与多人方法，并按监督级别（完全监督至无监督）以及技术路线（几何约束、体素、平面扫描）细分，是论文的独特贡献之一。\n- **对比表**：**Table 1**——对比既往综述在单目/多目、传感器类型、数据集、基准和指标方面的覆盖面，突出本研究填补多视角综述空白；**Table 4**——对比几何约束、体素、平面扫描三类方法在 Campus 和 Shelf 上的 PCP 数值，直观呈现性能差异。\n- **基准总结表**：**Table 3**（Human3.6M）、**Table 10**（CMU Panoptic）以及**Table 5-9**（其他数据集）汇总各方法在不同标准数据集上的定量结果，是量化比较的权威来源。\n\n### 四、时间线/分组可视化及图表与结论的映射\n\n- **时间线/趋势图**：**Figure 2**——展示 2010-2024 年论文数量的增长，支持“多视角 3D 姿态估计受关注度持续上升”的引言结论。\n- **搜索流程图**：**Figure 1**——PRISMA 图说明文献检索的系统性，支撑综述的可重复性和完整性声明。\n- **分组可视化**：**Figure 3** 将方法按预设分类归类，支撑第 4 章的分类论述；**Figure 4** 展示主动学习流程，支撑第 6.3 节关于主动学习潜力的讨论；**Figure 5** 和 **Figure 6** 分别展示体素法和平面扫描法的架构，支撑对两类方法的优缺点分析。\n- **图表到结论的映射**：\n  - **Table 3** → 结论：完全监督方法通常性能更优（例如 FusionFormer 达到 15.1mm），但低监督方法仍有潜力（自监督最好为 Liu et al. 22.5mm），且 2D 估计误差是主要瓶颈（Cai et al. 用 2D 真值后 MPJPE 降至 7.9mm）。\n  - **Table 4** → 结论：平面扫描法（如 Lin and Lee 及后续改进）在 Campus/Shelf 上的 PCP 与体素法相当甚至更优，但计算复杂度更低；几何约束法在少相机场景下精度更高，体现精度与速度的权衡。\n  - **Table 10** → 结论：随着相机数量减少，各类方法性能下降，但 TesseTrack、FasterVoxelPose+ 等对相机数变化相对鲁棒，支持“融合时序信息或深度信息可提升鲁棒性”的讨论。\n  - **Figure 2** → 结论：领域热度持续上升，印证进行该综述的必要性。\n  - **Figure 3** → 结论：本文提出综合分类法，为读者提供系统理解多视角方法的框架。"
}