Aug, 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

PDF
TL;DR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。
3d body posedeep learningneural body fittingstatistical body modelhuman pose estimation
发现论文，激发创造
  • 三维感知神经体位拟合用于面部遮挡鲁棒的三维人体姿势估计

    基于生成模型的 3D 人体姿势拟合（3DNBF）方法，在处理遮挡情况下具备最佳表现，通过训练使神经特征具备三维感知，克服了二维与三维之间的模糊性。

    Aug, 2023

  • BodyNet: 3D 人体形状的体积推断

    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。

    Apr, 2018

  • 神经身体：使用结构化潜在编码的隐式神经表示，用于动态人体新视角综合

    本文提出了 Neural Body，一种人体新的神经表示方法，通过假设不同帧的学习神经表示共享相同的潜在代码来集成视频帧之间的观察，从而解决了高度稀疏的视图的表征学习问题，并在多视点数据集 ZJU-MoCap 上得到了验证。

    Dec, 2020

  • 学习梯度下降拟合人体模型

    本文提出了一种新算法，将迭代梯度下降和深度神经网络结合起来，实现 3D 人体形状与图像的拟合。该算法只需人体动作捕捉数据，不需要图像到 3D 对应关系，并且在公共数据集上达到了最先进的结果。

    Aug, 2020

  • 3D 人体姿态估计的简单而有效的基准线

    通过构建一个借助于当前技术能在控制误差较低前提下从 2D 开环位置中提取 3D 位置任务的相对简单的深度前向网络，我们发现了现代深度 3D 姿态估计系统的可视分析引起的错误是其主要问题。

    May, 2017

  • 视觉三维人体姿态与形状的神经下降

    本文提出一种基于深度神经网络的人体三维姿态和形状重建方法，使用全身统计 3D 人体模型和学习技巧来优化模型并将其应用于自监督模式下的姿态和形状状态重建，并基于新颖的循环方式更新姿态和形状参数，从而实现了优化损失和度量反差的统一，测试结果表明其在 H3.6M 和 3DPW 等数据集上均获得了极具竞争力的结果。

    Aug, 2020

  • 从密集身体部位学习 3D 人体形状和姿势

    本文提出了一种从稠密对应的人体部位进行学习的方法，通过构建 2D 像素与 3D 顶点之间的桥梁，提出了解决非线性、位移等问题的 Decompose-and-Aggregate 网络（DaNet），并给出了一种利用空间关系的位置辅助旋转特征细化策略来提高鲁棒性的姿态预测策略，发现该方法显著提高了重建性能。

    Dec, 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

  • 学习融合 2D 和 3D 图像线索用于单眼人体姿态估计

    该研究利用深度学习在单目 3D 人体姿势估计领域提出了一种新型结构，可以同时从图像中推算出 3D 关节坐标和 2D 关节位置，使用可训练的融合方案使信息得以最佳融合，从而在标准的 3D 人体姿势估计基准测试中大幅提高了现有技术水平。

    Nov, 2016

  • 使用深度神经网络进行 3D 人体姿态结构预测

    本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法，该方法借助于过度完备的自动编码器并考虑关节从属关系，优于现有技术，包括结构保留和预测准确性两方面。

    May, 2016