基于换装 3D 扫描序列的人体形态细节精准估计
本研究提出了一种新方法,利用一种姿态不变形状空间对人体形状变化进行建模,结合基于骨骼的变形对姿态变化进行建模,用于估计着装人体扫描的静态和运动序列中的身体形状和姿态,改进了现有统计模型的拟合准确性。
Dec, 2013
在本研究中,我们定义和研究了一个新的 Cloth2Body 问题,其目标是从 2D 服装图像生成 3D 人体网格。与现有的人体网格恢复问题不同,Cloth2Body 需要解决输入的局部观察和输出的高度多样性带来的新挑战。我们提出了一个端到端的框架,从 2D 服装图像准确估计参数化为姿势和形状的 3D 体网格,并通过实验结果证明该框架达到了最先进的性能,在对齐服装的同时能够有效恢复自然而多样化的 3D 人体网格。
Sep, 2023
该研究综述了人体形状和服装估计领域的重要工作,主要关注人体形状估计、时尚生成、关键点检测和属性识别四个方面,并讨论了最新发展、优点、局限以及方法和结果的定性差异,旨在提供对该领域的全面理解并激励未来的研究。
Feb, 2024
使用 RGB 图像进行三维人体形状和姿势估计是一个具有挑战性的问题,具有增强 / 虚拟现实、医疗保健和健身技术以及虚拟零售等潜在应用。本研究调查了并比较了当代舞蹈和表演艺术领域中的三维人体形状和姿势估计方法,重点关注人体姿势和着装、摄像机视角、光照条件和背景条件。我们证明了当舞者进行当代舞蹈表演时,多帧方法(如 PHALP)比单帧方法更能提供更好的姿势估计结果。
Jan, 2024
该论文介绍了如何从单目视频中获取任意人物的准确三维身体模型和纹理,该方法仅需使用智能手机或网络摄像头,使每个人都能创建自己的全可动数字双胞胎,如社交 VR 应用或在线时尚购物的虚拟试穿。
Mar, 2018
本文提出了一种基于学习的模型,利用少量单目视频帧 (1-8 帧) 从移动的人中推断出其个性化的 3D 形状,可在不到 10 秒内达到 5mm 的重建精度。该模型学习预测一个统计体型模型的参数和实例化偏移量,同时加入衣服和头发的形状,具有快速和准确的预测,这得益于其对 T-pose 空间的预测和从上往下和从下往上两个视图预测的结合。该模型仅基于合成的 3D 数据进行学习,可将可变数量的帧作为输入,即使仅有一张图像,也能以 6mm 的精度重建形状。3 个不同数据集的结果表明了本方法的有效性和准确性。
Mar, 2019
本文提出了一个高效的三维服装化身重建框架。该框架通过高精度的基于优化的方法和高效的基于学习的方法相结合,以从单个图像中实现高保真度的服装化身重建为目标。通过在规范空间中以基于学习的方式使用隐式模型来学习人的一般形状,并通过以优化方式在姿态空间中估计非刚性变形来细化表面细节,使用超级网络来生成良好的初始化,从而极大地加速了优化过程的收敛。在各种数据集上的大量实验表明,所提出的服装化身重建框架成功地为现实场景中的任意穿着的人类产生了高保真度的化身。
Apr, 2023
提出了一种模块化和简单的高度标准化方案,通过将主体骨架重定位到所需位置,标准化比例并解脱两个变量之间的关系,显著提高了部分身体测量估计。此方法在多视图设置下也具有适用性。
Apr, 2024
使用一个人的动态视频,通过引入新颖的组合式人体建模框架,结合显式建模和隐式建模的方法,实现高质量的服装 3D 人体化身建模,解决了缺乏几何和其时间对应关系的 3D 真值数据的挑战,成功地生成了具有运动相关几何和纹理的服装 3D 人体化身。
Dec, 2023