CSIG图像图形技术挑战赛是由中国图象图形学学会（CSIG）主办的系列赛事，旨在促进图像图形技术及相关产业的发展和应用，解决企业面临的技术难题，扩大企业宣传面，帮助企业吸引更多的优秀人才。

主办单位

中国图象图形学学会（CSIG）

承办单位

厦门大学

目的与意义

在人工智能与三维感知技术深度融合的时代背景下，多模态人体姿态估计（HPE）作为连接物理世界与数字世界的关键技术，正成为具身智能交互、元宇宙构建、运动分析和自主系统等前沿领域的核心使能技术。目前的HPE方法和数据集主要停留在单目相机层面，而三维视觉技术不仅仅只在单传感器上进行迭代，多传感器融合的技术也需要被革新和突破。为汇聚全球顶尖研究力量，探索复杂动态环境下的高精度多模态三维人体姿态估计与全局轨迹跟踪技术边界，我们举办 HumanSI (Human Spatial Intelligence) 多模态人体姿态估计挑战赛。

本次挑战赛基于 2024 年 IEEE/CVF 计算机视觉与模式识别会议（CVPR）中发表的 RELI11D 数据集和 LEIR 方法，旨在激励参赛者开发和优化算法，利用多模态数据（RGB、激光雷达LiDAR、惯性动捕传感器IMU 和事件相机）实现高精度三维人体姿态估计。本竞赛为参赛团队提供了一个平台，以检验其在计算机视觉、深度学习和多模态融合等交叉领域的技术实力，同时推动实时运动捕捉、高保真数字孪生和自动化场景理解的重大应用发展。

如果您对本次挑战赛感兴趣，请通过下方二维码或链接进行报名。如在报名过程中有任何问题，请联系挑战赛联系人。

参赛要求

全国企事业单位、高校的师生及团队、个人均可参赛

（团队人员不超过五人）

竞赛网站

https://humansi2025.github.io/

线上挑战赛阶段

注册报名：2025/6/10——2025/7/1

数据集：

        评估室内复杂场景语义三维重建，室外场景作为附加项。

        评估室内基于多模态采集场景的人体姿态估计。

        输入：不定数量的 RGB 序列、LiDAR 点云、IMU 测量数据和事件相机流。

        输出要求：3D 关节位置、SMPL 参数（(\theta)、(\beta)、(T)）以及全局轨迹（可选），输出格式参考 RELI11D 数据集标准。

        场景（可选）：数据集附带高精度激光雷达点云扫描场景、高密度面片场景和稀疏旋转式雷达场景可供参赛者进行基于物理模型的人体姿态估计。

        参赛者可自行选择合适的训练数据用于网络训练。

结果提交：2025/6/15——2025/7/10

人体姿态估计结果：包含 3D 关节位置、SMPL 参数和全局轨迹（可选）的文件。

代码与文档：

运行脚本、可执行程序或源代码等

技术报告（≤3页，含方法概述、创新点、算法运行时间和内存显存占用等）

晋级规则：前5名团队进入线下答辩

线下答辩阶段

入围通知：2025/7/10——2025/7/15

        内容：邮件发送答辩要求及材料模板

现场报告：2025/7/18（暂定）

        形式：15分钟算法讲解及实时重建演示 + 10分钟评委提问

提交规范与评估标准

一、硬件约束（硬件性能不大于以下条件）

        CPU：Intel Xeon Gold 6248

        GPU：NVIDIA RTX 4090

        内存：128GB DDR4 

二、核心评估维度（以下为门槛条件）

总体要求：MPJPE ≤ 100 mm，PA-MPJPE ≤ 90mm

三、姿态估计指标专项指标说明（基于RELI11D论文）：

1.ACCEL：测量人体运动加速度预测的准确性（单位：m/s²，↓）。该指标评估算法在捕捉动态运动（如快速运动的加速度变化）时的性能，适用于快速、复杂的运动场景，如乒乓球、跆拳道等。

2.MPJPE（平均每关节位置误差，Mean Per-Joint Position Error）：预测的 3D 关节位置与真实值之间的平均欧几里得距离（单位：mm，↓）。该指标直接衡量姿态估计的精度。

3.PA-MPJPE（对齐后的 MPJPE，Procrustes-Aligned MPJPE）：在进行全局旋转和平移对齐后的 MPJPE（单位：mm，↓）。该指标消除全局变换的影响，专注于局部关节姿态的准确性。

4.PVE（位置和速度误差，Position and Velocity Error）：综合评估 3D 关节位置和运动速度的预测误差（单位：mm，↓）。该指标特别适用于评估全局轨迹的平滑性和一致性。

5.PCK0.3（正确关键点比例，Percentage of Correct Keypoints within 0.3m）：在 0.3 米阈值内正确预测的关节比例（↑表示越高越好）。该指标衡量算法在较大误差容忍度下的鲁棒性，适用于复杂场景下的姿态估计。

RELI11D项目主页：

http://www.lidarhumanmotion.net/reli11d/

RELI11D&LEIR算法主页：

https://github.com/yanmn/RELI11DandLIER

RELI11D数据集Tips：

http://www.lidarhumanmotion.net/data-reli11d/

RELI11D论文：

https://openaccess.thecvf.com/content/CVPR2024/papers/Yan_RELI11D_A_Comprehensive_Multimodal_Human_Motion_Dataset_and_Method_CVPR_2024_paper.pdf

挑战赛联系人

参赛事宜咨询：沈思淇 siqishen@xmu.edu.cn

技术咨询

颜明 yanmnn@stu.xmu.edu.cn

罗裕华 luoyh@stu.xmu.edu.cn

刘梦茵 liumengyin@stu.xmu.edu.cn

范书琪 fanshuqi@stu.xmu.edu.cn

吴泽凯 23020241154456@stu.xmu.edu.cn

报名链接

https://www.wjx.top/vm/wPriU4P.aspx#