本文提出了一种新框架,将场景和人体运动相互作用考虑在内,使用生成任务将人体运动的分布因子分解,并使用基于 GAN 的学习方法来提高其有效性。文中讨论了两个数据集结果,涵盖了真实和合成环境。
May, 2021
本文提出了一种基于新颖的深度生成模型的图像迁移方法,可以在保持服装一致的情况下将一个人的图像从一个给定的姿势转移至一个新的姿势,使用图像编码器、姿势编码器和解码器的结构,同时利用两个鉴别器来指导产生过程。经过严格的实验,在两个数据集上定量和定性地验证了该方法的效果。
Jun, 2019
本文提出了一种新的姿态转换方法,通过使用组合神经网络,预测人的轮廓,服装标签和纹理,并在推理时利用训练有素的网络生成一个外观及其标签的统一表示,以对姿势变化做出响应,并使用背景完成外观的呈现,从而实现保留人物身份和外观,具有时间上的一致性和泛化能力。
Dec, 2020
本文介绍了一种基于模块化生成神经网络的方法,用来合成出一张人的图像并保证姿势、外貌和背景的一致性,其中包括了基于图像和动作的训练资料,以及对抗性判别器等技术来实现姿势合成,最终能够生成与动作类别准确匹配的图像,同时还可以将多个动作合成为视频。
Apr, 2018
该论文提出了一种基于高层抽象建模视频预测问题的方法,利用人体姿态探测器作为监督信号,将视频预测问题分解为两个离散步骤,明确建模场景中的高层次结构,使用变分自编码器 (VAE) 建模场景中活动对象的潜在未来运动,并将生成的未来姿势作为条件输入给生成对抗网络 (GAN) 预测未来视频帧,该方法通过呈现的定量和定性评估表明,其优于时下流行的视频预测方法。
Apr, 2017
本文提出了一种使用生成式对抗学习的新方法,用于综合产生任意姿势的具有照片级真实感的人物图像。研究通过无监督的方式来处理此问题,并且将其分解成两个主要子任务,一是姿势条件的双向生成器,二是定义一个新型的损失函数,包含内容和风格项,旨在生成高感知质量的图像,可以在 DeepFashion 数据集上进行广泛的实验验证。
Sep, 2018
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
利用残差学习的方法,结合有效的数据增强技术,提出一种简单而有效的姿态转换 GAN,在不需使用额外功能学习的情况下,在任意姿态下生成给定的人体图像。该方法在两个大型数据集上展现出比现有方法更优越的性能,实现了在光照、遮挡、失真和尺度方面的鲁棒性。
Jan, 2020
本论文提出了新颖的姿势引导人物生成网络(PG2),该网络可以基于人的图像和新颖的姿态来合成人体图像。PG2 的生成框架明确利用了姿势信息,并包含两个关键阶段:姿势整合和图像细化。实验表明,该模型可以生成高质量、具有令人信服细节的人体图像。
May, 2017
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