Jul, 2020

PaMIR：基于参数模型的隐式表示方法进行基于图像的人体重建

PDF
TL;DR提出了一种基于 PaMIR 的框架，结合参数化身体模型与自由形式深度隐含函数，采用新型深度神经网络规范化自由形式深度隐含函数，通过训练损失并提出身体参考优化方法，以及增强参数化模型对隐含函数的一致性，实现在多种挑战性场景下的 3D 人体重建，并在多图像输入情况下取得了最新的性能表现。
发现论文，激发创造
  • 将隐式函数学习与参数模型相结合的三维人体重建

    本文提出了一种方法，通过深度学习的隐式函数和参数表示相结合，重建出具有可控性和高准确性的人体 3D 模型，使得即使加上服装等复杂因素，也能够保证模型的灵活性。

    Jul, 2020

  • LatentHuman：人体形态和姿势分离的潜在表征

    本文提出了一种基于运动学模型的神经隐式表示方法，可以同时处理人体的形状和姿态，实现了更好的三维重建效果和任务控制能力。

    Nov, 2021

  • 基于参数隐式表征的音频驱动面部再现

    本文提出了一种新的音频驱动面部再现模型，通过参数化隐式表达，同时采用了正式及隐式表达的优点，采用了多种技术来提高其质量，成功解决了可控性与高质量之间的平衡问题

    Jun, 2023

  • 3D 多体：将一组可信的三维人体模型拟合到模糊的图像数据上

    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

  • 使用姿态和形状的一致性从未见过的视角恢复隐式的三维人体网格

    通过神经特征场可以隐含模拟出人类在 3D 空间中的姿态和形状，从而提出了隐式三维人体网格恢复 (ImpHMR) 方法，并通过 Consistency and Self-supervised 的学习方式实现了姿态和形状参数的预测。

    Jun, 2023

  • 通过扭曲三维特征使人形象重现

    本研究基于深度学习的体积表示方法，提出利用人体图片，通过几何变形的方式隐式学习稠密特征体积，并通过卷积解码器将特征体积映射回 RGB 空间，实现了人体图像的任意变形，取得了着装识别和人像表情生成方面的最新研究成果。

    Jun, 2020

  • HISR：用于逼真的 3D 人体重建的混合隐式表面表示

    我们提出了一种新的混合隐式表面表示方法来建模人体形状，该表示方法由两个表面层组成，用于表示穿着衣物的人体的不同区域，我们使用视觉线索自动分割不同区域，并学习重建两个有符号距离函数，我们在不透明区域上执行基于表面的渲染以保留高保真度的表面法线，并在半透明区域上执行体积渲染（例如头发），实验证明我们的方法在 3D 人体重建上取得了最先进的成果，并在其他物体上展示了有竞争力的表现。

    Dec, 2023

  • 隐式概率密度函数：在旋转流形上的非参数表示

    本研究提出了一种基于非参数分布的单幅图像姿态估计方法，该方法使用神经网络隐式地表示任意姿态的概率分布，并考虑了不确定性和多重对称问题。该方法在处理三维姿态复杂分布时表现优异。

    Jun, 2021

  • 神经网络重建形状、材质和光照

    本文提出了一种强大的物体重建流程，以神经网络和基于物理反演的渲染相结合，可从二维图像中重建物理世界中对象的形状和在空间上变化的表面外观以及其周围的照明，并通过实验证明了该流程在质量和性能方面优于现有的重建方法。

    Apr, 2023

  • Pix2Surf：从图像中学习物体的参数化 3D 表面模型

    本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面，同时保持准确的图像像素到 3D 表面点的对应关系，能够重建具有丰富几何和外观的纹理信息形状，并在公共数据集上获得优于先前工作的定量和定性结果。

    Aug, 2020