该研究旨在提高Transformer在多视图三维人体姿势估计中的推理能力。通过引入MVGFormer混合模型，该模型采用几何和外观模块，以迭代方式组织。几何模块处理依赖于视角的三维任务，改善了模型的泛化能力。外观模块用于从图像信号中估计二维姿势，即使在遮挡时也能准确估计。经过评估，该模型在领域外表现优于最先进的方法。