基于深度分层神经网络的解耦人体嵌入
本文提出了一种用于学习将身体相似姿势的图像放置在附近的 embedding 方法,该方法可以作为一种直接比较基于人体姿势的图像的方法,避免了估计身体关节位置的潜在挑战。通过三元组距离准则构建了姿态嵌入学习,采用深度架构,使能够学习区分不同姿态的表征,文中的实验在人体姿态匹配和从视频数据中检索上展示了该方法的潜力。
Jul, 2015
本文提出了一种全新的 Siamese 去噪自编码器来学习 3D 姿势表示,通过分离人类骨架数据的姿势和视图特征来进行全面无监督的学习,并借助序列双向递归网络(SeBiReNet)来考虑运动学和几何依赖性, 实现了在姿势去噪和无监督动作识别等问题上的最佳表现。
Jul, 2020
本研究提出了一种几何感知的人体姿态三维表示方法,通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督,在训练阶段建立共享的 3D 表示,进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明,该方法能够显著提高现有姿态估计方法的性能。
Mar, 2019
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
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
该论文提出了一种新的框架,利用深度神经网络和 Hierarchical Mesh Deformation 技术综合使用人体关节、轮廓和像素的着色信息,从而在单张图片中精确恢复人体形状。实验证明,我们的方法在 2D IoU 计算和 3D 距离计算的准确度上都优于现有的其他方法。
Apr, 2019
提出了一种骨架解耦的 3D 人体网格恢复方法,该方法利用自我注意力机制实现多级空间和时间粒度的分离建模,并通过无监督对抗训练策略以及临时混洗和顺序恢复,成功提高了人体网格恢复的精度。
Aug, 2019
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