ProPose

ProPose是由昆士兰大学、阿德莱德大学及澳门城市大学联合构建的大规模人体姿态估计基准，旨在统一完整肢体、残肢与假肢的拓扑表示。该数据集包含36,400张图像、63,000个实例，覆盖生物、假肢及缺失关节的语义标注，并引入6个远端关键点（指尖、脚跟、脚趾）以完整刻画运动链。针对假肢样本的稀缺性与长尾分布，研究者设计了真实到合成的数据扩充管线，通过大语言模型合成9,558张新图像，使假肢关节比例提升数十倍。ProPose致力于解决现有基准对肢体差异人群的表示偏见，为包容性姿态估计及人机交互研究奠定基础。ProPose is a large-scale human pose estimation benchmark jointly developed by The University of Queensland, The University of Adelaide, and City University of Macau, which aims to unify the topological representations of intact limbs, residual limbs and prosthetics. This dataset contains 36,400 images and 63,000 instances, with semantic annotations for biological, prosthetic and missing joints, and introduces 6 distal keypoints (fingertips, heels, toes) to fully characterize the kinematic chain. To address the scarcity and long-tail distribution of prosthetic samples, the researchers designed a real-to-synthetic data augmentation pipeline, which synthesized 9,558 new images via large language models (LLMs), boosting the proportion of prosthetic joints by dozens of times. ProPose is committed to addressing the representation bias of existing benchmarks towards people with limb differences, laying a foundation for inclusive pose estimation and human-computer interaction research.

搜集汇总

数据集介绍

构建方式

人体姿态估计作为计算机视觉领域的基石任务，其基准数据集的代表性直接决定了模型的泛化能力。然而，主流数据集如MS COCO和MPII，其标注协议皆以健全个体为基准，难以涵盖截肢者及佩戴假肢的特殊人群。为打破这一表征偏见，ProPose数据集应运而生。其构建核心在于一套创新的Omni-Pose标注协议，该协议不仅整合了LDPose的残肢关键点，更创新性地为每个关节点赋予'生物'、'假肢'或'缺失'的语义属性，从而在一个统一框架内，精准描述健全肢体、残肢与多种假肢装置。针对真实假肢影像稀缺且呈长尾分布的现实瓶颈，数据集构建了一套Real-to-Synthetic数据扩展流水线，借助先进的生成式AI模型（如Nano Banana）对采集的种子图像进行上下文扩画与姿态编辑，并通过级联去重、双人验证及去身份化处理进行严格质控，最终将生成的9,558张高质量合成图像与筛选后的LDPose数据合并，形成了包含36.4K图像、63.0K个体的ProPose基准数据集。

使用方法

ProPose数据集旨在为2D人体姿态估计模型提供统一的训练与评估平台，尤其适用于包含残肢与假肢的多样场景。其使用方法推荐结合配套的ProLoss结构感知损失函数，该损失函数通过显式建模单肢内关节点的语义依赖，并对不合理的肢体配置施加惩罚，有效抑制模型在机械结构上产生幻觉关节点。使用时，研究人员可将标准姿态估计模型（如ViTPose、RTMPose）在ProPose训练集上进行微调，利用其包含的语义分类与坐标回归任务，优化模型对罕见类别（如假肢肘关节）的识别能力，并在测试集上评估模型的几何精度（AP）与语义分类准确率（Type-Acc）。该数据集支持对多类主流模型的公平比较，为包容性姿态估计研究建立了坚实的基准。

背景与挑战

背景概述

ProPose数据集由昆士兰大学等研究机构于2026年推出，聚焦于包容性人体姿态估计，旨在解决现有主流基准（如COCO、MPII）对肢体差异人群（如截肢者和假肢使用者）的表示偏差问题。该数据集提出了统一的Omni-Pose标注协议，通过引入关键点语义类型（生物、假肢、缺失）和远端关键点（指尖、脚跟、脚趾），实现了对完整、残肢和假肢的统一拓扑表示。ProPose包含约36,400张图像和63,000个实例，通过真实到合成的数据扩展管道，显著缓解了假肢关键点的长尾分布问题。该数据集为包容性姿态估计奠定了基础，有望推动人体与辅助设备交互理解的进步。

当前挑战

ProPose数据集面临多重挑战。在领域问题层面，现有姿态估计模型基于健全人体拓扑假设，难以准确识别假肢等机械结构，常出现幻觉关键点或拓扑截断的问题；同时，假肢图像在真实世界中极为稀缺，呈极端长尾分布，导致模型对罕见假肢类型（如肘部假肢）的识别能力不足。在构建过程中，研究团队需克服数据采集困难，通过生成式AI管道扩充数据，但需严格筛选以保证真实性和运动学合理性；此外，标注协议需统一不同肢体类型，为每个关键点指定语义类型，并处理缺失关节的标注问题，这增加了标注复杂性和质量控制难度。

常用场景

经典使用场景

ProPose数据集作为针对肢体差异人群的2D姿态估计基准，其核心使用场景在于统一表征健全、残肢与假肢的拓扑结构。研究者利用该数据集训练和评估姿态估计模型，使其能够精确识别生物关节、机械关节及缺失关节的语义属性，从而突破传统基准仅覆盖健全个体的局限。该数据集特别适用于涉及假肢关节（如肘、腕）和残肢端点的场景，通过其Omni-Pose协议和ProLoss损失函数，模型能够学习一致的动力学链，避免在机械结构上产生虚假关节预测。

解决学术问题

ProPose数据集解决了现有姿态估计基准中存在的严重表征偏差和拓扑不一致问题。主流数据集如COCO和MPII主要包含健全个体，导致模型对肢体差异人群的泛化能力不足；而早期专门数据集如LDPose和ProGait在注释协议上存在缺陷，无法统一描述多样化的假肢结构和未安装假肢的残肢。ProPose通过引入Omni-Pose协议，将生物、假肢和缺失关节纳入统一拓扑，并设计Real-to-Synthetic数据扩展管道缓解长尾分布，同时提出ProLoss结构感知目标函数，强制关节间的语义依赖，有效抑制了不合理的肢体配置预测，显著提升了假肢关节的分类精度，为包容性姿态估计奠定了方法论基础。

实际应用

ProPose数据集的实际应用广泛，尤其在医疗康复、辅助技术评估和人机交互领域。在康复医学中，它能辅助临床步态分析，通过精确追踪假肢使用者的残肢和假肢关节，评估假肢适配度和康复进展。在人机交互中，该数据集支持开发面向肢体差异人群的交互系统，如基于姿态的智能健身和游戏控制，使技术包容更多用户群体。此外，在辅助机器人领域，ProPose可用于训练机器人识别和理解用户的肢体状态，从而实现更自然的辅助协作。这些应用均依赖于对复杂肢体拓扑的准确理解，ProPose提供了关键的数据支持。

数据集最近研究

最新研究方向

当前，人体姿态估计领域正经历从健全人范式向包容性范式的深刻转型。传统基准如COCO与MPII长期固守于标准肢体拓扑，对肢体差异人群的机械义肢与残余肢体缺乏表征能力，导致了显著的表示偏差与拓扑歧义。在此背景下，ProPose数据集应运而生，其核心创新在于提出Omni-Pose统一注释协议，通过引入‘Biological、Prosthetic、Absent’三类键点语义，完成了对完整肢体、残余肢体及多样化假肢的拓扑一致性建模。尤为值得关注的是，该数据集创新性地采用Real-to-Synthetic数据扩展管线，借助先进的生成式多模态大模型对稀缺假肢样本进行可控扩增，有效缓解了长尾分布问题。配套提出的结构感知损失函数ProLoss，通过显式建模肢体内关键点间的语义依赖，抑制了解剖学上不可能的预测，显著提升了假肢关节的识别精度。这一系统性工作为构建公平、健壮且具有社会包容性的人体姿态估计系统奠定了坚实基础，预示着该领域将更加关注残障人群的真实需求，推动医疗康复与人机交互等下游应用的实质性进步。

相关研究论文

• Topology-Unified 2D Pose Estimation across Intact, Residual and Prosthetic Limbs

  昆士兰大学; 阿德莱德大学·澳大利亚机器学习研究所; 澳门城市大学 · 2026年