Apr, 2018

BodyNet: 3D人体形状的体积推断

HTML
PDF
TL;DR本篇研究提出了一种名为 BodyNet 的神经网络，通过直接推断体积棱柿，从而预测自然图像中的三维人体形状，同时结合三维损失和多视角重投影损失以及适当的监督，实现了性能的提升；通过将 SMPL 模型应用于网络输出，并在 SURREAL 和 Unite the People 数据集上展示了最先进的结果，证明了本方法的有效性。
发现论文，激发创造
  • SMPL 约简：从单张图片自动估计三维人体姿态和形状

    本研究提出了一种基于DeepCut和SMPL模型的3D姿态估计方法，能够从单张无约束的图像中自动预测人体的姿态和形状，实现了对人体结构和运动的精确推断。

    Jul, 2016

  • 三维人体姿态估计的整体平面预测到局部体积预测

    该论文提出了一种使用深度图进行3D人体姿态估计的新方法，并运用平面网络和体积网络等模型，显著提高了模型的准确性和计算效率。

    Jun, 2017

  • 深度自编码器用于联合人体姿态估计和身体模型升级

    采用对称卷积自动编码器训练并学习人体三维姿态和身体形状，结合高级的远距离相机视角，能够实时进行人体行为监测并准确估计人体姿态和形状。

    Jul, 2018

  • 神经身体拟合: 统一深度学习和基于模型的人体姿态和形状估计

    该论文提出了一种新方法，将一个统计体模型嵌入到CNN中，并利用底部向上的语义体部分分割和稳健的自上而下的体模型约束，实现从2D图像中进行3D人体姿态估计的目的。

    Aug, 2018

  • DeepHuman：从单张图像重建3D人体

    提出了一种用于从单个RGB图像进行3D人体重建的基于图像引导的体积到体积的转换CNN，通过SMPL模型生成密集的语义表示来减少与表面几何重建相关的歧义，将不同尺度的图像特征融合到三维空间中，并通过法线细化网络来进一步提高可见面细节的精度，使用所提出的体积法向投影层将其连接到体积生成网络中，并使用其中包含的3D真实世界人体模型数据集进行训练，实验表明该方法在前沿方法中表现优异。

    Mar, 2019

  • DenseBody：从单幅彩色图像直接回归密集式三维人体姿势和形状

    本文提出使用卷积神经网络和编码器-解码器神经网络从单张彩色图像中直接回归3D人体网格，利用高效的3D人体形状和姿势表示方法，在Human3.6M、SURREAL和UP-3D等多个3D人体数据集上实现了最新性能。

    Mar, 2019

  • 3DPeople: 建模穿着衣服人的几何形状

    本文提出了一种从单张照片中预测着装人体几何形状的新方法，包括三个关键点：一个新数据集，一个新的形状参数化算法和一个端到端的深度生成网络。

    Apr, 2019

  • PoseNet3D: 通过知识蒸馏学习具有时间一致性的三维人体姿势

    提出使用神经网络框架PoseNet3D将二维关节作为输入，输出三维骨架和SMPL体模型参数，通过在学生-教师框架下的学习方法，无需使用任何3D数据进行训练，结果表明与之前的无监督方法相比，该方法将3D关节预测误差降低了18％。

    Mar, 2020

  • 使用可导语义渲染从图像中学习回归人体

    利用Differentiable Semantic Rendering（DSR）loss来训练一个人体回归器，从而从单目图像中回归出3D人体形状和姿势。在DSR loss中，利用了服装的语义信息来惩罚有衣和没衣的区域，从而更好的匹配服装区和未穿衣区，同时为了确保可微的训练，从成千上万个衣服扫描中学习SMPL顶点的语义衣服先验。在3DPW和Human3.6M上优于先前的最先进的方法，并在MPI-INF-3DHP上获得了与之相当的结果。

    Oct, 2021

  • 利用度量和语义属性进行精准的三维人体形状回归

    通过采集互联网上的时尚模特图片和一小部分人体测量数据，以及用于各种三维身体网格的语言形状属性，我们训练了一种名为SHAPY的神经网络，该模型可从RGB图像中回归出三维人物的姿态以及形状。在新的HBW数据集上进行测试，SHAPY在三维人体形状估计任务上表现出色，明显优于现有技术。

    Jun, 2022