看到一篇相关论文《LoftUp: Learning a Coordinate-Based Feature Upsampler for Vision Foundation Models》，可实现更好的特征上采样质量，因此可应用于姿态估计网络生成质量更高的热图。
主要 idea 是用了坐标表示，即高分辨率下坐标和图像一起输入提取特征；然后作为 query，与低分辨率特征做 cross-attention。
如果把上采样作为一个创新点，那么就得想一下其他的创新点：
- 精心设的 heatmap 上采样，提高姿态估计精度 （比如 ViT 低分辨率，固定 ViT Backbone， 然后后面拼接上高级的上采样，看看效果）