还记得那段魔性的“火柴人”版女团舞蹈吗？通过人体姿态估计算法，获得视频中舞者的各个关节点，组成一段新奇的舞蹈视频。

与人体姿态估计仅获得关键点位置不同，人体形态估计更侧重于人体的形态特征测量，即在图像上利用人体的几何距离、边缘特征等反映人体的高矮胖瘦。

目前，3D形态估计的方法主要分为三类：回归出参数化人体模型的参数、直接学习出人体的体素和学习texture-to-surface的correspondences。其中，回归出参数化人体模型的参数是目前的主流方法，它通过确定人体的pose和shape参数，生成各种各样的人体三维模型。但直接使用网络来回归估计高维参数是一个高度非线性的过程，这会导致重构的精度不高，并且当算法进一步拓展到时序上时，需要耗费大量的计算资源，那如何实现3D人体形态估计的精度与速度并存呢？

7月28日晚7点，我们邀请到上海交通大学李杰锋博士参与到「CVPR 2021特别企划」第二季第6讲，并带来主题为《基于混合逆运动学解法的3D人体形态估计》的直播讲解。

在本次讲座中，李博将阐述3D人体形态估计目前的研究进展与问题，并详细分析混合神经网络与解析法的逆运动学3D人体形态估计算法，之后讲解现有方法面临的精度和算力问题，最后深入解读基于可学习分布的全新回归范式。

李杰锋是上海交通大学在读博士，师从卢策吾教授。他的主要研究方向为计算机视觉中的人体理解及智能机器人应用，并作为共同第一作者搭建的高精度实时人体姿态估计系统AlphaPose在学术界与工业界都有广泛的应用，在Github上获得超过5000个star。李博目前已在CVPR、ICCV、ECCV、AAAI、BMVC等会议发表多篇论文，引用量超过300。