本文研究使用卷积神经网络结构,预测手的三维关节位置,并通过引入关节先验和有效利用上下文来提高方案的预测精确性和可靠性,在多个基准测试中都表现出了远胜于现有技术的高精度和较快的计算时间。
Feb, 2015
使用新的 3D 神经网络架构,通过深度图到三维体积表示的转化,直接对手的三维姿态进行估计,无需进一步处理。同时通过合成深度图来增加训练数据覆盖率,在公开数据上达到了最优性能。
Apr, 2017
本文介绍了一种使用动力学模型来辅助深度学习神经网络进行关节式物体姿态估计的方法,并在玩具和人类 3D 姿势问题的数据实验中证明了该方法的有效性。
Sep, 2016
该论文提出了一种新方法,利用多视角投影和学习的姿态先验,通过多视角热图来回归手部姿态,最终得出三维手势估计,实验表明该方法在难以应对的数据集上取得了优异表现。
Jun, 2016
通过使用卷积神经网络结构,从单个深度图像中学习手部姿势,骨骼比例和复杂形状参数,以及使用一个新的手部姿势和形状层来产生 3D 关节位置和手部网格,利用 SynHand5M 数据集,在综合数据集上展示了良好的效果。
Aug, 2018
本研究提出一种基于生成深度神经网络的概率手部模型,通过交叉模态训练的潜在空间学习,使多模态感知到的图像之间的潜在空间具有连贯性,从而更准确地估计出基于 RGB 图像的三维手部姿态配置。此外,该模型也可用于深度图像,并具有生成能力。
Mar, 2018
利用先前计算好的人工建模和先验知识,结合深度学习的方法实现了从 RGB 图像中预测手部形状和姿态,结果显示出在标准基准测试中表现出最新颖的 3D 姿态预测效果,同时在弱监督下训练的模型也能够很好的应用于在实际环境中的 3D 形状和姿态预测。
Feb, 2019
DeepPrior 是一种基于深度学习的简单方法,用于预测深度图中手的三维位置,通过添加 ResNet 层、数据增强和更好的手部定位,我们实现了比更复杂的近期方法更好或类似的性能。
Aug, 2017
本文提出了一种基于学习深度先验的新型 3D 手部形态综合和估计方法,其中利用了身体运动和手势之间的相关性,采用网络进行 3D 手部姿态估计训练并得到了优良的效果。
Jul, 2020
本文提出了一个新颖的端到端框架,用于从单眼图像或序列中估计三维手部姿势。通过使用用于生成目的的扩散模型并引入显式的正向运动学层,我们确保生成的姿势符合实际。通过在连续帧的时间窗口上添加 Transformer 模块,我们在提升精确度的同时克服了抖动问题。该方法在几个不同的数据集上通过定量和定性评估展示了领先的鲁棒性、泛化性和准确性。
Aug, 2023