连接 2D 观测与学习得到的 3D 运动学：用于 3D 人体姿态估计的目标空间锚定与细化

基于摘要分析。本文研究单目 3D 人体姿态估计（3D-HPE），针对现有 Mamba 方法通常在由 2D 姿态构建的表征上传播状态、未显式表示 3D 骨架与轨迹模式的问题，提出 KAR-Mamba。核心贡献是学习目标空间的运动学表征，并用其引导 Mamba 状态传播与更新。 方法包含四个环节：Codebook-Guided 3D Pose Anchoring 利用学习得到的骨架与轨迹码本，将初始 3D 关系向代表性人体运动模式校正，构建具有运动学信息的姿态锚点；Skeletal-Trajectory Aligned Scanning 沿骨架链与关节轨迹组织扫描，将锚点导出的运动学依赖对齐到相应状态转移；Kinematic-Dependency-Modulated State Updating 用这些关系调制输入依赖的状态参数；最终将细化后的表征解码为相对于锚点的偏移，预测 3D 姿态。其区别在于让目标空间关系参与状态建模，而不只是作为最终预测结果。 作者报告，在 Human3.6M 与 MPI-INF-3DHP 上取得具有竞争力的准确性，实验支持学习到的 3D 运动学表征对细化的作用。摘要未给出具体指标、数值、数据划分及对照结果，无法据此判断增益幅度。码本构建方式、监督需求、损失函数、实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前材料不能确认已发布。 平台推测（待验证）：可迁移的假设是，用任务相关的结构先验引导状态空间模型的扫描与更新，可能有助于 EEG 时空建模；这不等于人体运动学码本可直接用于 EEG。原方法依赖骨架链、关节轨迹及学习得到的 3D 关系，EEG 则需另行构建通道拓扑或任务相关潜在关系，并核对其监督与数据规模需求。可考虑复用关系调制状态更新的思路，但锚点、码本和扫描顺序均需改造；低信噪比、跨被试差异、通道变化及小数据可能使先验失配。一个可证伪的小实验是在固定 EEG 任务与跨被试划分下，仅用训练数据学习关系，对比普通 Mamba、关系调制版本及打乱关系版本。已有 EEG 相关工作尚未检索确认。