ICCVSep, 2019

通过模型拟合学习重构 3D 人体姿势和形状

PDF
TL;DR该研究提出了一种新的方法，将基于优化的方法和基于回归的方法结合起来，通过深度学习网络和迭代优化技巧来准确估计人体姿势。在实验中，该方法在数据稀缺和限制条件下改善了现有技术的精度和效率。
human pose estimationparametric modelregression-based methoddeep networkiterative optimization
发现论文，激发创造
  • 学习梯度下降拟合人体模型

    本文提出了一种新算法，将迭代梯度下降和深度神经网络结合起来，实现 3D 人体形状与图像的拟合。该算法只需人体动作捕捉数据，不需要图像到 3D 对应关系，并且在公共数据集上达到了最先进的结果。

    Aug, 2020

  • LoopReg：三维人体网格对齐的自监督隐式表面对应、姿态和形状学习

    我们提出了 LoopReg，一种端到端的学习框架，用于将一组扫描数据对齐到一个共同的 3D 人体模型上。通过自学习的方式，我们成功地训练出了一个能够处理未标记原始扫描数据的模型。

    Oct, 2020

  • SMPL 约简：从单张图片自动估计三维人体姿态和形状

    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

  • 从结构和动作学习 3D 人体姿势

    使用两种解剖启发的损失函数和弱监督学习框架，结合大规模野外 2D 和室内 / 合成 3D 数据共同学习人体姿态估计。还提出了一个简单的时间网络来调和预测的姿态序列，并通过损失表面可视化和敏感性分析仔细分析了所提出的贡献的工作机制。我们的完整流程在 Human3.6M 和 MPI-INF-3DHP 上分别提高了 11.8％和 12％，并在普通图形卡上以 30 FPS 运行。

    Nov, 2017

  • 单张图像人体网格重建误差估计

    该研究提出了一种人体姿势和形状预测模型，可以识别不可靠的预测区域，特别适用于人机交互领域。

    May, 2023

  • 串联表示循环：通过多次表示间的循环学习估计 3D 人体姿势和形状

    该研究旨在提出一种新的神经网络架构，实现在人体姿态和形状估计等问题上，不需 3D 标准化数据或轻度标准化数据的无监督或轻度监督学习。通过将问题拆分成一系列逐渐抽象化表示之间的转换步骤，每个步骤都是设计用于无注释训练数据而可学习的轮回。具体而言，我们使用 2D 身体部分分段作为中间表示，该表示包含足够的信息以被提升到 3D，并且同时足够简单，以用无监督的方式学习。我们尝试用未配对和未注释的图像学习 3D 人体姿态和形状，并探索各种不同数量的配对数据，并表明轮换显着减轻了配对数据的需求。

    Jan, 2020

  • 个性化 3D 人体姿势和形状优化

    我们提出使用密集对应将人体模型的初步估计与相应的图像生成关联，以便优化初步估计的过程。我们将 3D 模型的渲染结果用于预测合成图像与 RGB 图像之间的像素级 2D 位移，从而有效地整合和利用人体外观信息。通过最小化投影损失，我们可以将像素级位移转化为可见顶点级位移，并用于三维模型的优化。在 3DPW 和 RICH 上，我们通过不同的优化过程对多个模型的初步估计进行了优化，结果表明我们的方法不仅能够使图像与模型更好地对齐，还能提高三维的准确性。

    Mar, 2024

  • 学习拟合形态模型

    通过学习优化方法，提出了一种类 Levenberg-Marquardt 算法的更新规则，以更高效地适应新的模型拟合问题，并且在准确性和速度上具有竞争力。

    Nov, 2021

  • 从单张图像中连贯重建多人

    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

  • 从单目图像中恢复 3D 人体网格：一项调查

    本篇文章调查了单目三维人体网格恢复的相关任务，包括身体模型，恢复框架 / 训练目标，数据集评估指标和评测结果，并从优势和劣势方面深入分析了两种范式：优化和回归。作者希望激励研究人员的兴趣，促进该领域的研究。

    Mar, 2022