Skip to main content
QUICK REVIEW

[論文レビュー] CIGPose: Causal Intervention Graph Neural Network for Whole-Body Pose Estimation

Bohao Li, Zhicheng Cao|arXiv (Cornell University)|Mar 10, 2026
Human Pose and Action RecognitionComputer Science被引用数 0
ひとこと要約

CIGPoseは因果介入モジュールを導入して全身姿勢推定における視覚的文脈の混乱を解消し、階層的グラフニューラルネットワークを用いて解剖学的妥当性を強制し、COCO-WholeBodyで最先端の結果を達成します。

ABSTRACT

State-of-the-art whole-body pose estimators often lack robustness, producing anatomically implausible predictions in challenging scenes. We posit this failure stems from spurious correlations learned from visual context, a problem we formalize using a Structural Causal Model (SCM). The SCM identifies visual context as a confounder that creates a non-causal backdoor path, corrupting the model's reasoning. We introduce the Causal Intervention Graph Pose (CIGPose) framework to address this by approximating the true causal effect between visual evidence and pose. The core of CIGPose is a novel Causal Intervention Module: it first identifies confounded keypoint representations via predictive uncertainty and then replaces them with learned, context-invariant canonical embeddings. These deconfounded embeddings are processed by a hierarchical graph neural network that reasons over the human skeleton at both local and global semantic levels to enforce anatomical plausibility. Extensive experiments show CIGPose achieves a new state-of-the-art on COCO-WholeBody. Notably, our CIGPose-x model achieves 67.0\% AP, surpassing prior methods that rely on extra training data. With the additional UBody dataset, CIGPose-x is further boosted to 67.5\% AP, demonstrating superior robustness and data efficiency. The codes and models are publicly available at https://github.com/53mins/CIGPose.

研究の動機と目的

  • 2D全身姿勢推定を因果フレームワーク内に formalize して、視覚的文脈を偽相関を生む混乱因子として特定する。
  • Causal Intervention Module (CIM) を提案し、混乱したキーポイント埋め込みを文脈に依存しない標準埋め込みへ置換する。
  • 階層的グラフニューラルネットワークを活用して、混乱から解放された埋め込みに解剖学的妥当性を適用する。
  • COCO-WholeBody および他のベンチマークで最先端の精度と頑健性を示し、データ効率の高い性能を達成する。

提案手法

  • 姿勢推定過程を Structural Causal Model (SCM) の下で backdoor path F <- X <- C -> Y としてモデル化し、P(Y|do(F)) を近似することを目指す。
  • CIM を導入し、予測的不確実性を用いて混乱したキーポイント埋め込みを特定し、混乱要因に独立した学習済み canonical embeddings Z に置換する。
  • 選択された混乱したキーポイントについて counterfactual replacement f_k' = z_k を行うための learnable embedding table Z を使用する。
  • 解放後の埋め込みを two-stage Hierarchical Graph Neural Network で処理する:スケルトン内の局所関係には intra-part EdgeConv、全体的な解剖学的一貫性を確保するために context-aware attention を伴う inter-part semantic hypergraph メッセージ伝搬を行う。
  • 観測的予測と介入予測を適切に整合させるために KL ベースのキーポイント予測損失と Counterfactual Consistency Loss を組み合わせた複合損失で訓練する。

実験結果

リサーチクエスチョン

  • RQ1視覚的文脈は2D全身姿勢推定において偽相関を生む混乱因子になり得るか。
  • RQ2CIM が混乱したキーポイント表現を特定・置換して因果効果 P(Y|do(F)) を近似できるか。
  • RQ3混乱から解放された埋め込みに対する階層的グラフ推論は解剖学的妥当性と精度をベンチマーク全体で改善するか。
  • RQ4追加の学習データを必要とする最先端手法と比較して本提案法のデータ効率はどれほどか。

主な発見

  • CIGPose は COCO-WholeBody で最先端を達成、CIGPose-x は COCO-WholeBody のみで 67.0% AP、UBody データセットを使用時には 67.5% AP。
  • COCO val では CIGPose-l (384x288) は 66.3-66.8 AP、ablation によって異なり、CIGPose-x (384x288) は 67.0 AP。
  • CrowdPose では CIGPose-l が 73.7% AP、CIGPose-x(より高解像度の入力)では 75.8% AP を達成し、混雑/遮蔽シーンでの頑健性を示す。
  • Ablation 研究は CIM と階層的 GNN コンポーネントが性能向上に寄与することを示し、CIM + GNN がベースラインを上回る総 AP 増加を生み、全ての CIGPose-x はベースラインを 1.7 AP 上回る。
  • 予測不確実性に基づく混乱因子代理は遮蔽と相関があることを示し、混乱したキーポイントを識別するアプローチを裏付ける。
  • 各キーポイントタイプの学習済み canonical embeddings Z は文脈に対して不変でクラスタリングされ、反事実的置換としての有効性を支持する。

この論文を読む

Nubintのビューアで原文を開き、読みながら気になる箇所をすぐに質問できます。

Nubintでこの論文を読む

このレビューはAIが論文の原文をもとに作成しました。引用する前に原文をご確認ください。