深层运动姿态回归

ECCVSep, 2016

Deep Kinematic Pose Regression

Xingyi Zhou, Xiao Sun, Wei Zhang, Shuang Liang, Yichen Wei

TL;DR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。

Abstract

Learning articulated object pose is inherently difficult because the pose is high dimensional but has many structural constraints. Most existing work do not model such constraints and does not guarantee the geome

articulated object pose structural constraints kinematic object model deep neural network human3.6m dataset

发现论文，激发创造

形状推姿：任意三维物体的深度姿态估计

我们提出了一种完全通用的深度姿态估计方法，通过动态条件姿态估计和目标物体的 3D 模型表示相结合，能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的 3D 对象。

Jun, 2019

基于模型的深度手部姿态估计

本研究提出了一种基于深度学习的手部姿态估计方法，采用正向运动学来保证估计的姿态的几何有效性，并验证了该方法在公共数据集上实现了最先进的性能。

Jun, 2016

基于动力学调整的自我中心姿态估计运动策略

提出一种物体感知的三维自我中心姿态估计方法，通过运动学建模、动力学建模和场景中物体的信息紧密集成，在物体感知的基础上估计出物理上合理的三维人体 - 物体交互姿态，并在受控实验和现实场景中进行评估。

Jun, 2021

基于分割的 6D 物体姿态估计

本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

Dec, 2018

通过点云的监督学习实现 6D 物体姿态回归

本文提出了一种利用点云深度信息并结合卷积神经网络和几何姿态优化，分别使用旋转和平移回归网络的方法来估算已知 3D 物体的 6 自由度姿态，其中通过旋转轴角表示旋转并使用测地线损失函数进行回归，实验结果在 YCB-video 数据集上明显优于现有方法。

Jan, 2020

神经姿势表示学习用于生成和转移非刚性物体姿势

我们提出了一种新的学习三维可变形物体姿态表示的方法，该方法能够在物体的不同标识和姿态之间进行解耦，并通过单一对象的变化实现多样化的姿态。通过设计姿态提取器和姿态应用器来实现姿态解耦、生成模型的紧凑性和可转移性，并利用隐式姿态应用器来提取姿态信息和实现目标对象的形状变化。通过实验验证了姿态转移和生成多样性变形形状的最新性能。

Jun, 2024

使用深度神经网络进行 3D 人体姿态结构预测

本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法，该方法借助于过度完备的自动编码器并考虑关节从属关系，优于现有技术，包括结构保留和预测准确性两方面。

May, 2016

使用卷积神经网络进行 3D 姿态回归

该研究通过 CNN 回归框架提出了适当的表示、数据增强和损失函数来捕捉姿态空间的几何信息，将 3D 姿态估计问题转化为回归问题，并在 PASCAL3D + 数据集上得到与同类最优方法相当的性能表现。

Aug, 2017

半弱监督的物体动力学运动预测

本文提出了一种基于图神经网络的半弱监督方法，用于解决 3D 物体动力学运动预测问题，通过对分层部分级别分割和移动部分参数之间的映射学习，在 PartNet-Mobility 数据集上进行训练，可以得到一批带有假标签的移动性信息的 3D 对象数据，并且可以进一步用于预先存在的分割的弱监督学习。

Mar, 2023

DeepPose: 使用深度神经网络进行人体姿势估计

本文提出一种基于深度神经网络的人体姿势估计方法，将姿势估计表示为一种基于 DNN 的回归问题，通过级联 DNN 回归器来提高姿势估计的精确性，并在四种不同类型的学术基准测试中取得了优异的实验结果。

Dec, 2013