Apr, 2019

由生成和序数排名进行的单目三维人体姿态估计

HTML
PDF
TL;DR本文提出了一种基于深度有条件变分自编码器的模型，通过合成以估计的 2D-pose 为条件的不同解剖学合理的 3D-pose 样本集，解决了 2D-to-3D lifting 中的内在歧义问题，并提出了两种策略用于获取最终的 3D 姿态，并在两个基准数据集上报告 OrdinalScore 接近最先进的结果。
发现论文，激发创造
  • 稀疏性与深度结合：单目视频中的3D人体姿态估计

    本文通过提出一种新的方法，在人体姿势估计中实现了更好的3D姿势估计精度，通过使用单目图像序列并利用深度全卷积网络预测2D关节位置的不确定性图，并使用期望最大化算法进行3D姿势估计。

    Nov, 2015

  • 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

  • 从单张图像中估计卷积式三维姿态

    本文提出了一种用于从单个RGB图像中估计人类姿势的统一方法，通过联合推理2D关节估计和3D姿势重建来改善两个任务，并使用可信的3D地标位置知识来对更好的2D位置进行搜索，并通过多级卷积神经网络架构综合了3D人体姿势的概率知识，并在Human3.6M数据集上进行了端到端的训练，最终获得了在2D和3D误差上优于之前方法的最新结果。

    Jan, 2017

  • 三维人体姿态估计的序数深度监督

    通过使用弱监督信号（由人体关节的序数深度提供）来培训卷积网络（ConvNets）以及使用用带有序数深度标注扩展知名数据集MPII和LSP，我们证明了序数深度监督用于3D人体姿势的有效性及其在相关基准测试中的表现。

    May, 2018

  • 相对论：弱监督数据下的单目三维人体姿态估计

    通过弱监督学习和人群注释者提供的深度相对估计信号，我们提出一种 3D 人体姿势估计算法，用于只在 2D 输入图像中学习。结果竞争力优于目前现有算法，可为在未经过精心控制的现实世界中进行3D姿势估计开辟道路。

    May, 2018

  • OriNet：一种完全卷积网络用于3D人体姿态估计

    该研究提出了一种新的3D人体姿态估计方法，即利用肢体方向与肢体区域的边界框一起表示3D姿态，并且通过简单的方法在多项基准测试中取得了良好的结果，该方法具有较好的泛化性能。

    Nov, 2018

  • HMOR: 分层多人标度关系用于单目多人3D姿势估计

    本文提出了Hierarchical Multi-person Ordinal Relations (HMOR) 的方法来解决 monocular RGB 相机下 3D multi-person 姿态估计问题，通过构建一个多层的ordinal relation 层级结构从而提高了模型的全局连贯性，进而设计了一套集成的 top-down 模型，在 coarse-to-fine 的框架下同时估计bounding boxes, depths和 root-relative 3D poses，以此达到更加精确的深度估计。与之前的SOTA方法相比，本文的方法在公开的多人3D姿势数据集上取得了显著的优势，且计算复杂度更低、模型参数更少。

    Aug, 2020

  • 基于深度学习的单目2D和3D人体姿态估计的最新进展

    本研究调查了深度学习技术在单目视觉下的人体姿态估计方面的最新进展，针对目前各个领域应用进行了综述，并提出了未来需求的研究方向。

    Apr, 2021

  • 基于归一化流的概率单目三维人体姿态估计

    本文提出了一种基于正规化流的人体3D姿态恢复方法，采用多种假设生成可行的3D姿势的后验分布，并结合2D检测器的不确定性信息建模不确定探测和遮挡，其中学习出的3D姿态先验和最优M损失的推广是实现成功的关键因素，该方法在人体3.6M和MPI-INF-3DHP两个基准数据集上优于所有可比方法。

    Jul, 2021

  • 使用几何感知自编码器从数十个数据集中学习3D人体姿势估计，以桥接骨架格式之间的差异

    本研究展示了一个基于深度学习的3D人体姿态估计方法，为了克服不同数据集提供的不同骨骼格式这一障碍，我们提出了一种新颖的仿射组合自编码器方法(ACAE)，以实现由多个数据集超级所见，其中我们使用28个3D人体姿态数据集来监督一个模型，并在各种基准测试中取得了比以前的工作更好的表现。

    Dec, 2022