利用 3D 人体 mesh 信息，促进 2D 人体姿态估计。该方法理论上可促进图像/视频人体姿态估计。 首先，SAM3D 可以提取图像中的 mesh 引入 Mesh 信息，做特征融合； 可以提取每个实例/物体的 mesh，然后和二维图像做 cross attention，这样可以学习 3D 的跨实例交互关系，促进姿态推理