以重力为参考,从视频中估算人的身高
本论文主要研究从单个图像中恢复人的高度,采用机器学习模型结合人体解剖学的相关特征进行估计,构建了一个新的数据集,通过人脸识别和分配一致性将明确的高度标签扩展到更多的图像,并获得了 5.56cm 的平均绝对误差。
May, 2018
本文提出 GraviCap,即一种新的联合无标记 3D 人体动作捕捉和单目 RGB 视频对象轨迹估计的方法。该方法利用重力约束物体运动,可以恢复具有部分观测对象的场景的尺度、对象轨迹、人体骨长和地平面方向。通过添加人对象交互约束,可以提高 3D 重建的几何一致性和改善人体姿势的物理合理性。在一系列新数据集上测试表明,该方法在 3D 人体动作捕捉上具有最先进的准确性。
Aug, 2021
本研究利用物理引擎对姿态估计过程进行改进,从而使得我们可以利用现实世界的场景推导出物体的运动。我们的公式具有广泛的应用场景,并可处理自身接触和与场景几何之间的接触。我们的方法在 Human3.6M 和 AIST 基准测试中均获得了与现有基于物理的方法相竞争的结果,同时不需要重新训练。
May, 2022
本文介绍了一种基于物理模型的方法,用于从视频中推断 3D 人体运动,该方法利用初始的 2D 和 3D 姿态估计作为输入,并通过物理轨迹优化得出一个符合物理规律的运动。实验结果显示,相较于纯运动学方法,该方法能够显著地提高动作的真实性和准确性。
Jul, 2020
本文提出了一种从单个 RGB 视频自动重建与对象的人交互的 3D 运动的方法,估计人和物体的 3D 姿势,接触位置,被人类肢体激活的力和扭矩,方法主要集中在联合估计运动和动作力,运用大规模的轨迹优化问题,并且从输入视频自动识别出人与物体或地面之间的接触位置和时间,于真实数据集上验证了方法并展示了它在新的互联网视频数据集中的性能。
Apr, 2019
本研究提出了一种从野外视频中重建全球人类轨迹的方法,该优化方法将相机和人类运动解耦,减少背景像素对推断 3D 人类运动的影响,使用数据驱动的先验信息来恢复全局人类轨迹。
Feb, 2023
提出了一种模块化和简单的高度标准化方案,通过将主体骨架重定位到所需位置,标准化比例并解脱两个变量之间的关系,显著提高了部分身体测量估计。此方法在多视图设置下也具有适用性。
Apr, 2024
该论文介绍了如何从单目视频中获取任意人物的准确三维身体模型和纹理,该方法仅需使用智能手机或网络摄像头,使每个人都能创建自己的全可动数字双胞胎,如社交 VR 应用或在线时尚购物的虚拟试穿。
Mar, 2018
我们介绍了一种重建第二人称 3D 人体网格时间序列的新任务,并通过优化方法的应用解决了视角独特的自我中心视频人体捕捉的技术难题,从而比之前的单眼视频人体动作捕捉方法更准确地估计人体姿态和形状。
Nov, 2020