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

Apr, 2020

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

Exemplar Fine-Tuning for 3D Human Model Fitting Towards In-the-Wild 3D Human Pose Estimation

Hanbyul Joo, Natalia Neverova, Andrea Vedaldi

TL;DR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。

Abstract

Differently from 2D image datasets such as COCO, large-scale human datasets with 3d ground-truth annotations are very difficult to obtain in the wild. In this paper, we address this problem by augmenting existing 2D datasets with high-quality 3D pose fits. Remarkably, the resulting ann

3d ground-truth annotations 3d pose regressor networks exemplar fine-tuning real-world challenges human-based assessment

发现论文，激发创造

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

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

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

深度级联单眼三维人体姿态估计与演化训练数据

本研究提出了一种新的数据增强方法，该方法基于分层的人类表示和启发式先验知识，并且可以有效地合成未看见的三维人类骨骼，用于训练二维到三维网络，实验结果表明，我们的方法不仅在最大的公共基准测试中取得了最先进的准确性，而且对未见过的和罕见的姿势的泛化能力也得到了显著提高。

Jun, 2020

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

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

基于图像合成的深度 3D 人体姿态估计

本文提出了一种在 “野外” 环境中进行三维人体姿态估计的解决方案，通过生成大量的具有三维姿势标注的逼真合成图像，并使用这些图像对全身三维姿势进行端对端的卷积神经网络训练，成功地在受控环境（Human3.6M）中优于大多数已发表的作品，并在真实图像（LSP）中展现了有前途的结果。

Feb, 2018

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

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

合成训练图片以提升人体三维姿势估计

本研究旨在通过人体姿态空间的采样和真实图像纹理的提取，建立一个全自动，可扩展的方法来合成姿态注释的图像，从而为 3D 姿态估计任务提供合成培训数据，最终证明 CNNs 在合成图像上训练可以在 3D 姿态估计任务上胜过在真实照片上训练。

Apr, 2016