生成与 2D 关键点检测一致的多样化的人体 3D 姿态假设

ICCVFeb, 2017

Generating Multiple Diverse Hypotheses for Human 3D Pose Consistent with 2D Joint Detections

Ehsan Jahangiri, Alan L. Yuille

TL;DR本研究提出一种方法，旨在生成多个多样且有效的人体姿态假设，通过使用一种新的生成模型，可以产生整合部分的姿态，该姿态是受解剖约束的三维姿态空间。我们的模型可以应用于各种可能的人类三维姿态，并通过移除模型偏见来帮助生成更多样化的三维姿态假设。

Abstract

We propose a method to generate multiple diverse and valid human pose hypotheses in 3d all consistent with the 2d detection of joints in a

发现论文，激发创造

本文提出了一种基于多模式混合密度网络的方法，可以从 2D 关节生成多个可行的 3D 人体姿势假设。实验表明，我们的方法具有先进的性能，并且可以用于针对 2D-3D 反问题的多解决方案。

Apr, 2019

本文提出了一种使用弱监督深度生成网络解决逆问题的方法，该网络设计了一个提议分布来逼近未知的多模态目标后验分布，并通过 KL 散度最小化实现近似，并使用平均漂移算法确定最可行的解决方案。实验结果显示，该方法能够生成多个可行的假设，获得了与现有弱监督方法相比的最新结果。

Aug, 2020

本文提出了一种使用生成对抗网络进行无监督学习的方法，能够从单张图片的 2D 关节点位置预测出 3D 人体姿态，无需使用 3D 数据集，而且即使在训练时缺乏数据，该方法也能很好地预测 3D 姿态。

Mar, 2018

研究人员提出了一种基于立体视觉启发的神经网络技术和几何搜索方案来生成高质量的 3D 姿势地面真实数据，使不需要专业训练模式和辅助损失函数的神经网络模型在野外图像数据中实现良好的 3D 姿态估计结果。

Apr, 2019

本文提出了一种基于卷积神经网络的深度学习方法，用于单目 3D 人体姿态估计，具有高精度和更好的野外场景泛化能力，可以联合在具有 3D 标签和仅有 2D 标签的图像数据上进行训练，并在具有挑战性的野外数据上实现了最先进的准确性。

Apr, 2019

本文提出了一种新颖的方法，用于在具有语义控制的场景中生成多样化的 3D 人体姿势。

Jun, 2024

单目三维人体姿态估计是一个具有固有歧义的任务，我们提出了 ManiPose，一种新颖的多假设模型，通过在人体姿势流形内约束模型，提供多组候选三维姿势，并达到更强一致性，从而超越现有的姿势一致性性能。

Dec, 2023

本研究提出了一种新的任务，在人体形态和姿势估计中使用多幅图像组成的分布预测模型，使我们能够量化姿势预测的不确定性，并提高了 3D 人体形态估计度量标准。

Mar, 2021

通过使用多视角数据对单目人体姿态估计模型进行微调，引入新的一致性损失函数，提升性能，从而实现对特定应用定制模型的实用和经济有效解决方案。

Nov, 2023

本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

Mar, 2019