使用 DVGAN 进行人体动作建模
使用生成对抗网络,将源角色的动作转移到目标角色上,并且保持高逼真度。将姿势信息和外貌信息解耦并重新组合,利用重建的三维人体模型作为 GAN 的条件,进一步引入细节增强网络以增强转移结果的细节信息。实验表明,该方法在质量和数量上均优于现有技术。
Mar, 2020
本文章提出了一种基于序列到序列模型的、名为 HP-GAN 的人体运动预测方法,用于深度神经网络建模和学习算法中的概率估计和合成数据生成任务;该方法利用改进的 Wasserstein GAN 和自定义损失函数进行训练,并进行了多种动作类型和数据集的测试,其预测能力的表现可通过只用 10 帧输入生成超过 30 帧的多个合理预测结果来体现。
Nov, 2017
通过将序列预测和生成对抗网络的工具相结合,我们成功地解决了自动移动平台中的人体运动行为预测问题,并在准确性,多样性,碰撞避免和计算复杂性方面胜过了以往的工作。
Mar, 2018
本文在三个主要方面提出了改进:(1)使用生成对抗网络(GAN)预测 3D 人体动作,(2)设计架构来学习身体姿势和全局动作的联合分布,(3)提出了基于频率分布的两种替代指标来反映长期人类运动的实际分布,结果表明本文方法显著改善了现有技术,同时能够处理受到遮挡、噪声和丢失帧等影响的情况。
Dec, 2018
本文提出了一种基于控制参数的人体运动预测任务形式,使用复合 GAN 结构,包括不同身体部位的局部 GAN 和通过全局 GAN 聚合的,以便进行跨活动类型的可操作运动预测,本方法优于现有的最先进方法。
Mar, 2021
本文提出一种名为 Kinetic-GAN 的生成对抗网络结构,利用生成对抗网络和图卷积网络综合分析人体动力学的时空动态,可以在本地和整体身体运动中对多达 120 个不同动作进行调整,从而提高样本质量和多样性,并通过潜在空间解缠和随机变化,能够合成大量的不同动作序列,超越了已有的方法。
Oct, 2021
提出了一种名为 G$^{3}$AN 的新型时空生成模型,用于捕捉高维视频数据的分布,并以分离的方式模拟外观和动作,在面部表情数据集 MUG 和 UvA-NEMO,以及人类行动数据集 Weizmann 和 UCF101 上显著优于现有方法,并分析了学习到的潜在表示的成功分解。
Dec, 2019
提出了一种基于生成模型的新的 out-of-distribution (OoD) 基准,用于预测人类运动,并且这种方法能够有效地提高模型的鲁棒性和可解释性。
Oct, 2020
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
本文提出了一种基于姿态引导的方法来以可分离的方式合成人类视频:可信的运动预测和协调的外观生成,旨在探索并掌握视频合成中人体姿态的本质动态和诠释能力,并在保持外观连贯性的同时处理异常和嘈杂数据,实验证明其优于现有技术。
Jul, 2018