SDPose 是一种最先进的姿态估计模型，它利用了来自 Stable Diffusion 的强大视觉先验，在跨分布（OOD）场景中实现了卓越的性能。该模型变体估计 133个全身关键点，包括身体、手、脸和脚。
模型架构
SDPose 采用了一个使用 Stable Diffusion v2 权重初始化的 U-Net 主干，结合了一个专门的热图头用于关键点预测。该模型以自顶向下的方式工作：
- 人物检测：使用对象检测器（例如 YOLO11-x）检测人体边界框
- 姿态估计：裁剪并估计每个检测到的人物的17个身体关键点
- 热图生成：生成置信度热图以进行精确的关键点估计
模型规格：
- 主干：Stable Diffusion v2 U-Net（微调；架构变化最小）
- 头部：定制的热图预测头
- 输入分辨率：1024×768（高×宽）
- 输出：133个关键点热图 + 带置信度分数的坐标
- 框架：MMPose
