ICCVAug, 2019

深入探索混合注释技术在野外三维人体恢复中的应用

PDF
TL;DR本文提出一种全面的方法，研究了不同类型标注成本和效果的权衡，特别是探究了在缺乏匹配的实境 3D 标注数据情况下，利用 Dense Correspondence（密集对应）实现在单一图像中实现 3D 人类重构，发现与传统 2D 标注相比，3D 标注是有效的，但 Dense Correspondence 也同样具有高效性和较低的成本。
3d human recoveryin-the-wild imageshybrid training strategydense correspondenceannotating cost
发现论文，激发创造
  • 利用显式 2D 特征和中间 3D 表示进行野外人体姿势估计

    本文提出了一种基于卷积神经网络的深度学习方法，用于单目 3D 人体姿态估计，具有高精度和更好的野外场景泛化能力，可以联合在具有 3D 标签和仅有 2D 标签的图像数据上进行训练，并在具有挑战性的野外数据上实现了最先进的准确性。

    Apr, 2019

  • 野外多视角图像下的弱监督 3D 人体姿态学习

    本文提出一种基于弱监督方式，利用多视角数据进行 3D 人体姿势估计的学习框架，包括利用 2.5D 表示法的目标函数，经过测试在两个大规模数据集上达到了半监督 / 弱监督方法的最佳表现。

    Mar, 2020

  • 野外单目三维人体姿态估计的普适性推广

    研究人员提出了一种基于立体视觉启发的神经网络技术和几何搜索方案来生成高质量的 3D 姿势地面真实数据，使不需要专业训练模式和辅助损失函数的神经网络模型在野外图像数据中实现良好的 3D 姿态估计结果。

    Apr, 2019

  • 走向野外三维人体姿态估计：一种弱监督方法

    本文提出了一种混合 2D 和 3D 标签的深度神经网络，通过弱监督迁移学习的方法，将控制实验室环境下的 3D 姿态标签转移到野外图像，使用共享表示直接训练完成增强的 2D 姿态估计子网络和 3D 深度回归子网络，并引入 3D 几何约束来规范 3D 姿态预测，以在无底深度标签的情况下提高准确度。该方法在 2D 和 3D 基准测试中均取得了优异的结果。

    Apr, 2017

  • 基于示例微调的三维人体模型拟合：面向野外三维人体姿势估计

    本文使用 Exemplar Fine-Tuning 的方法，通过合并 2D 数据集和高质量的 3D 姿态拟合标注数据，实现在真实环境下的 3D 姿态估计，并针对遮挡、截断和罕见人体姿势等现实挑战提出了新的基准测试数据，并且使用基于人类的评估方法验证了所提出的方法具有更好的性能和更好的效果。

    Apr, 2020

  • MoCap 引导的数据增强在野外三维姿态估计中的应用

    该论文提出了一种采用基于图像合成方法生成真实图片数据集以训练 CNN 模型，用于解决 3D 人体姿态估计缺少真实数据的问题，并通过在受控环境和实境的表现表明其可行性。

    Jul, 2016

  • 使用生成模型的合成数据在野外进行的 3D 人体重建

    通过基于扩散模型的 HumanWild 方法，我们展示了由生成模型创建的合成数据与计算机图形渲染数据互补，从而在 3D 人体姿态和形状估计方面在多样化的真实场景中实现了卓越的泛化性能。

    Mar, 2024

  • 多视角采集无标记 3D 人体姿态注释

    本文提出了一种基于几何驱动的方法来自动收集人体姿势预测任务的准确的三维人体姿势标注，利用多视角设置、相机设置的 3D 几何和人体身体结构的约束，将每个视图的 2D ConvNet 预测概率组合成全局最优 3D 姿态。

    Apr, 2017

  • 团结人民：3D 和 2D 人体表达之间的闭环

    介绍一种使用混合方法，利用人工判断区分出好和坏的 3D 拟合方法，构建了一个多维度的人体姿态数据集 UP-3D，用于训练区分模型，获得了 31 个部位和 91 个标记点的 3D 人体姿态模型，其训练数据量比现有技术减小一个数量级，并且不需要关于性别或姿态方面的先验知识。

    Jan, 2017

  • 单图像三维人体姿态估计的双源方法

    本研究提出一种利用双重数据源，结合深度神经网络和运动捕捉数据，实现从单张图片中估计三维人体姿态的方法，并对该方法进行了全面评估。

    May, 2017