本文提出了一种基于多视图图像的多人姿态估计方法,在统计参数体模型的引导下,这种方法能够更好地纠正不合理的 3D 姿态估计和填充缺失的关节点检测,将 2D 和 3D 观测联系起来,从而更准确地估计 3D 姿态并且具有较好的泛化性能,实验表明该方法的效果优于现有的方法。
Oct, 2021
本研究提出了一种新的任务,在人体形态和姿势估计中使用多幅图像组成的分布预测模型,使我们能够量化姿势预测的不确定性,并提高了 3D 人体形态估计度量标准。
Mar, 2021
本研究提出了一种基于 DeepCut 和 SMPL 模型的 3D 姿态估计方法,能够从单张无约束的图像中自动预测人体的姿态和形状,实现了对人体结构和运动的精确推断。
Jul, 2016
通过使用中间的二维表示,可学习的校准和三角测量来适应更多样化的相机设置,逐步聚合多视图信息在规范化三维空间中消除二维表示中的歧义,通过广泛的基准测试,特别是针对野外场景的未见过的情况下,我们展示了所提出的解决方案的优越性。
Dec, 2022
研究单视图和部分遮挡视图下获取人体的密集三维重建问题,建议通过合适的三维模型参数化人体形状和姿势,学习一种多假设神经网络回归器,约束每个假设位于合理人体姿势的流形上,并且在标准 3D 人体基准和重度遮挡版本中,该方法表现出优异的处理模糊姿态恢复的性能。
Nov, 2020
本文提出了一种基于运动捕捉数据集和大规模图像和视频数据集的半监督和自监督学习方法,利用运动和不同 iable 的语义身体部位对齐损失函数进行训练,来精确地估计单眼三维人体姿态和形状。实验结果证明,该方法优于现有技术,可用于广泛的真实场景。
Mar, 2020
本文提出了一种基于 SMPLify 方法的全自动方法,可以从多视角视频中估计三维人体运动和身体形状,并利用 CNN 方法和 DCT 时间先验方法来提高精度,并且在标准基准测试中的结果与最先进的方法相当,同时还提供了一个逼真的 3D 形状 Avatar。
Jul, 2017
本文提出了一种端到端可训练模型,以单个 RGB 图像感知 3D 场景,估计相机姿态和室内布局,并重建人体和物体网格。通过对所有估计方面施加全面而复杂的损失,我们证明了我们的模型优于现有的人体网格方法和室内场景重建方法。据我们所知,这是第一个在网格级别输出对象和人体预测,并对场景和人体姿态进行联合优化的模型。
Dec, 2020
本研究针对单张图像中的多人 3D 姿态估计问题,采用自顶向下的方法,并利用 SMPL 参数化身体模型,提出了基于距离场碰撞损失和深度排序感知损失的网络训练框架,有效解决了结果不连贯的问题,并且在标准的 3D 姿态基准测试中表现出优异性能。
Jun, 2020
本研究提出了一种基于深度学习的新流程,通过显式估计和利用人体的几何形状来综合人体的新视图,从而显著提高姿态变化对象的性能。
Apr, 2018