传统姿态估计算法由于缺乏跨类别的泛化能力，通常需要为不同类别重新设计网络结构。此外，这些方法依赖高质量大规模的标注数据，导致在处理稀有物种或特殊姿态时表现不佳。类别无关的姿态估计任务旨在通过利用少量标注的参考图像，能够预测任意类别对象的语义关键点位置。这种方法显著减少了对新类别的数据收集、模型训练和参数调整的成本，并以高效适应新类别的能力，为姿态估计领域提供了新的解决方案。现有算法的核心机制是将参考图像中的关键点信息映射到特征空间，与目标图像的图像特征进行匹配，从而实现对未知类别姿态的准确估计。我们的研究致力于获取更具判别性和鲁棒性的特征表示，以及设计更高效精确的匹配机制，以提升类别无关姿态估计算法的性能。

多视角学习在三维感知中具有重要价值，其通过融合多源视觉信息突破单视角的感知局限，为复杂场景下的三维重建和姿态估计等任务提供更鲁棒、高精度的解决方案。该技术可赋能虚拟现实交互、自动驾驶感知、机器人导航等多元化场景。例如，在舞蹈动作智能分析中，借助无标定的多视角学习，无需依赖复杂校准设备即可生成高精度三维姿态，显著降低教学成本并实现个性化反馈；在动态人机协作场景中，校准无关的多视角手部重建技术能够实时捕捉精细手势，助力机器人理解复杂操作意图，提升协作效率与安全性。我们研究聚焦于无标定下的多视角人体/手部姿态估计和三维重建，通过设计自适应语义对齐框架与噪声鲁棒的跨视角融合策略，突破传统方法对相机参数的强依赖，并显著提升模型精度和鲁棒性。