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
本文提出了一种基于运动学模型的神经隐式表示方法,可以同时处理人体的形状和姿态,实现了更好的三维重建效果和任务控制能力。
Nov, 2021
本文提出了一种通过多视角的训练,使用一致性约束联合监督损失及惩罚项实现替代大量标注的 3D 人体姿态估计方法,并提出了一种联合估计相机姿态及人体姿态的方法,在 3D 人体姿态估计方面取得了良好的表现。
Mar, 2018
本文提出使用多视角图像而无需注释,来学习一个具有几何感知能力的身体表示,通过使用该身体表示,我们的方法在仅使用少量标记数据的情况下,显著优于完全监督的方法,并且在使用仅 1% 标记数据时,也优于其他半监督方法。
Apr, 2018
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
该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型,并通过一组 pose 预测器进行姿势模糊处理,并利用可微分 3D 点云投影技术来获取高保真度的形状模型。
Oct, 2018
通过利用大量的合成数据和未标记真实数据,我们学习如何从真实数据的特征映射到合成数据的特征以提高 3D 手部姿势估计模型的效果,并通过两个辅助目标(自我监督信号和对抗项)来利用未标记的真实数据,进而达到降低标记数据需求的目的。
Nov, 2018
提出一种无监督学习框架,利用未标记的数据来学习视频表示,通过学习推断不同视图的三维运动,捕捉视角不变的动作特征,以及增强视角不变特征的学习方法,并在多个数据集上证明该方法对动作识别的有效性。
Sep, 2018
该篇论文提出一种无需直接监督的学习单视角形状和姿态预测的框架,通过利用未知姿态的多视角观察信号进行训练,并在训练中在同一实例的两个视图之间强制实施几何一致性来独立预测形状和姿态,从而学习在新出现的标准框架中预测形状和相应的姿态预测器。在使用 ShapeNet 数据集时,取得了与先前依赖更强监督形式的技术相当的鼓舞人心的竞争成绩。此外,还展示了该框架在现实环境中的适用性,该环境超出了现有技术范畴:使用由在线产品图像组成的训练数据集,在这些数据集内,底层的形状和姿态是未知的。
Jan, 2018
本文研究了在只有一个示范、没有进一步的数据收集和没有先前的任务或对象知识的挑战性环境下的模仿学习,并展示了如何在这些限制条件下将模仿学习表述为轨迹转移和未见物体姿态估计的组合。通过对十个真实世界任务进行一次性模仿学习,我们深入研究了最先进的未见物体姿态估计器在性能上的表现,并深入了解了相机标定、姿态估计误差和空间泛化对任务成功率的影响。
Oct, 2023