Dec, 2017

基于深度的三维手势姿态估计：从当前成果到未来目标

PDF
TL;DR通过 HIM2017 数据集，分析了当前十大最先进的 3D 手势估计方法在三个任务上的表现，探究了不同的 CNN 结构对手的形状、关节可见度、视角和关节分布的表现，结果表明孤立的 3D 手势估计在视角范围 [70,120] 度时的平均误差较低（10 毫米），但对于极端视角的估计还远未完成。
3d hand pose estimationdepth imagescnn structureshand shapejoint visibility
发现论文，激发创造
  • 基于单深度图像的稳健三维手部姿势估计：从单视角 CNN 到多视角 CNN

    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

  • 基于深度的手部姿态估计：方法、数据和挑战

    手势姿态估计方面已有巨大进展，但在处理复杂场景，特别是手与周围物体交互的情况下仍存在困难。此研究提出了一个具有挑战性的新数据集，并定义了一个一致的评估标准，同时引入了一个简单有效的最近邻基线系统，加以比较，结果表明相当一部分系统无法在训练集之外进行有效泛化。

    Apr, 2015

  • Hand3D：使用 3D 神经网络进行手部姿态估计

    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

  • 深入学习手势姿态估计

    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

  • DeepHPS: 基于合成深度学习的端到端三维手部姿态和形状估计

    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

  • 2017 年百万手势挑战赛：3D 手势姿势估计

    本研究介绍了 2017 年万手挑战赛，此为一项 3D 手势定位任务评估公共比赛，其目的为探索解决此问题的最高水平，并发现交互模式及评估指标。挑战赛基于标准的数据集和评估协议，并与结果一起呈现在 ICCV 2017 年的第三届 “手部观察和理解活动” 国际研讨会上。

    Jul, 2017

  • 手势姿势估计的密集三维回归

    该研究提出了一种基于单个深度帧的三维手部姿态估计方法，通过像素级别的估计实现高效准确地实现骨架姿态估计，并在 MSRA 和 NYU 手部数据集上，其方法实现了最好的性能。

    Nov, 2017

  • 基于隐变量 2.5D 热力图回归的手部姿态估计

    本文提出一种使用 2.5D 姿势表示的新方法来从单目图像中估计 3D 手部姿态，通过使用深度图和热力图分布来训练卷积神经网络 (CNN) 模型，该模型在多个数据集上实现了最先进 2D 和 3D 手部姿态的估计。

    Apr, 2018

  • 针对手 - 物交互情况下 3D 手势姿态估计的未知视角、关节、形状和物体的泛化测量

    研究 3D 手势姿势估计中不同类型方法的泛化能力，并通过公开挑战评估插值和外推的训练集姿势的能力，透彻分析了数据预处理、集成方法、使用参数化的 3D 手模型（MANO）以及不同的 HPE 方法 / 骨干网络对 3D 手姿势估计的影响，使得总体精度从基线的 27mm 提高到 13mm，尤其是在外推任务中。

    Mar, 2020

  • 立体相机端到端的 3D 手部姿态估计

    该研究提出了一种使用端到端方法从立体相机中估计完整的三维手势姿态的方法，通过神经网络架构的扩展，该方法能够更好地实现稀疏视差手关节的估计，并且提出了一种大规模的合成数据集来有效训练模型。

    Jun, 2022