人体姿态估计的自对抗训练
本论文提出了一种对抗性学习框架,利用基于多源鉴别器的几何描述符对在野外场景下的 2D 姿态注释图像进行 3D 人体姿态估计。实验证明,该方法在公共基准测试上明显优于以往的最先进方法。
Mar, 2018
提出对抗数据增强方法来优化神经网络模型的训练,通过生成难度较高的增强操作来让网络进行学习,实现训练的同时进行数据增强,对人体姿势估计问题进行实验测试,证明该方法能够显著提高模型性能而不需要额外的数据增强。
May, 2018
本文提出了一种名为 3DHumanGAN 的生成对抗网络(GAN),用于合成全身人体的图像,具有在不同视角和姿势下一致的外观。该模型采用了 2D 卷积背骨由 3D 姿态映射网络调制的生成器架构,能够生成具有 3D 人体先验知识和一致性的逼真图像,并通过对抗学习从网络图片中学习而来。
Dec, 2022
本文对人体姿态估计模型的对抗攻击和其鲁棒性进行全面深入的研究,基于多个数据集对多个 2D 单人姿态估计体系进行评测,探讨了回归型网络攻击等未曾被研究过的问题,并发现热力图建模型比直接回归模型更具鲁棒性。此外,文中还展示了通用扰动的可视化效果,并进行了用户研究。
Aug, 2019
本研究设计了一种人类图像生成的生成模型,能够控制姿势,不同身体局部的外貌以及服装风格,能够生成高逼真度的图像,并在不同方面表现出色,如姿态控制、部位和服装转移以及关节采样。
Mar, 2021
通过结构感知的全卷积网络以及 GAN 的显式 / 隐式学习策略,该论文提出了一种解决单目图像中姿态估计问题的方法,并在 2D 和 3D 姿态估计以及人脸重要标识等相关任务上显著优于现有方法。
Nov, 2017
本研究旨在通过限定人体的粗略轮廓并控制特定服装类型实现真实人体图像的完整生成建模。我们提出了一种端到端可训练的生成式对抗网络架构,它提供了细节控制来生成具有高逼真度的图片,同时无需成对的训练数据,不必拟合 3D 姿势到 2D 图像的困难问题。该模型允许对基于目标领域的图像或标记特定的类别样式(例如 T 恤)进行条件生成。我们对该架构和每个独立要素的贡献进行了充分的实验评估,并通过大规模知觉研究表明,我们的方法可以生成逼真的图像,并且如果面部被模糊化,参与者很难识别真实的图片和虚假的图片之间的区别。
Jan, 2019
本文旨在解决目前姿态估计算法对于数据噪声的不稳健性问题,提出了一种可以在广泛的姿态估计模型中提高鲁棒性的新算法 ——AdvMix,该算法包含对抗样本生成和知识蒸馏两部分,并经过大量数据实验验证其可显著提高姿态估计的鲁棒性。
May, 2021