动机：为什么作者想要解决这个问题？
- 在单个图像中恢复多人的 3D 姿态仍然是一个具有挑战性的问题
贡献：作者在这篇论文中完成了什么工作(创新点)？
-
采用自上而下结构解决3D multiperson pose estimation (3D-MPPE)问题
-
提出了一个通用框架
the 3D localization of persons：用于根深度估计和根的二维坐标估计。
[1]中提出(已阅读)可以通过用一个校正因子调整投影区域来估计人根的深度。本文中提出了一种更有效的基于学习的方法，具体来说，人的投影区域可能受到多种因素的影响，包括人的深度、高度、姿势，甚至是相互遮挡，而不是单一因素。因此之前提出的校正因子可以分解为多个因子，以更好地估计一个人根的深度。因此，本文设计了一个 3D 定位网络来单独预测这些分解的因素。因为人的深度与投影面积成反比，一旦获得这些因素，就可以在检测到的边界框之上计算人的深度relative 3D human pose estimation:
提出了一个多尺度特征融合模块，并在相对 3D 人体姿态估计任务中引入了注意力机制[2]。这种设计使网络能够在上采样过程中整合多尺度信息，同时增强有效信息并抑制无效信息。
自己的看法
- 没有2D姿态到3D姿态的介绍，而是生成了相对3D姿态和绝对深度，最后生成绝对3D人体姿态
参考文献
[1] Camera Distance-aware Top-down Approach for 3D Multi-person Pose Estimation from a Single RGB Image
[2] Coordinate attention for efficient mobile network design