观看电视节目后，人类可以回忆起房间的布局、家具的位置以及人物的相对高度。受这些功能的启发，arXiv.org最近的一篇论文提出了一种方法，该方法类似地聚合视频集合中的3D信息，并使用它来感知准确的3D人体姿势和演员的位置。

首先，大量的3D上下文(相机、结构和身体形状)在环境和人的重复域中被识别，并从视频序列中聚合。研究人员提出了一种将这种情况整合到3D人体估计方法中的公式，从而改进了人体重建。

这种形式的重新识别始终优于传统的基于图像的基线。聚合的3D信息还可用于凝视估计、电影摄影或图像编辑等任务。

电视节目描绘了各种各样的人类行为，并因其成为许多应用的丰富数据源的潜力而被广泛研究。然而，现有的大部分工作都集中在二维识别任务上。在本文中，我们观察到电视节目存在一定的持久性，即环境和人类的重复，这使得该内容的3D重建成为可能。基于这种洞察力，我们提出了一种自动方法，可以在整个电视节目季中运行，并以3D形式聚合信息;我们构建环境的3D模型，计算相机信息、静态3D场景结构和身体尺度信息。然后，我们展示了这些信息如何充当丰富的3D上下文，以指导和改善这些环境中3D人体姿势和位置的恢复。此外，我们表明，在3D中对人类及其环境进行推理可以实现广泛的下游应用：重新识别、注视估计、电影摄影和图像编辑。我们将我们的方法应用于七个标志性电视节目的环境，并对提议的系统进行广泛的评估。