3D 网格形状和姿态的无监督分离

Jul, 2020

Unsupervised Shape and Pose Disentanglement for 3D Meshes

Keyang Zhou, Bharat Lal Bhatnagar, Gerard Pons-Moll

TL;DR本文提出了一种简单但有效的无监督学习方法，结合自一致性和交叉一致性约束，并将尽可能刚性形变集成到训练循环中，以学习体态模型中的形状和姿态空间，并演示了学习表示的实用性，包括姿势转移和形状检索，实验证明了该方法的通用性。

Abstract

parametric models of humans, faces, hands and animals have been widely used for a range of tasks such as image-based reconstruction, shape correspondence estimation, and animation. Their key strength is the ability to factor surface variations into shape and pose dependent components.

parametric models shape and pose representations unsupervised learning deformation 3d datasets

发现论文，激发创造

3D 人体姿势估计中的姿势和外貌解耦的理解

我们通过对自监督学习下三维人体姿势估计方法进行深入分析，测试了现有的分离表示学习方法从外貌信息中分离出姿势信息的程度，并发现这些方法的姿势编码包含了相当数量的外貌信息。

Sep, 2023

无监督基于部件的物体形状和外观解耦

提出了一种基于无监督学习的方法，通过学习物体的不同特征，如表现和形状，来实现特征的分离和表示，并使用等变约束进行训练，适用于任意类别，并在各种任务中表现优异。

Mar, 2019

不监督 3D 人体姿态表示：景象和姿态分离

本文提出了一种全新的 Siamese 去噪自编码器来学习 3D 姿势表示，通过分离人类骨架数据的姿势和视图特征来进行全面无监督的学习，并借助序列双向递归网络（SeBiReNet）来考虑运动学和几何依赖性，实现了在姿势去噪和无监督动作识别等问题上的最佳表现。

Jul, 2020

神经姿势表示学习用于生成和转移非刚性物体姿势

我们提出了一种新的学习三维可变形物体姿态表示的方法，该方法能够在物体的不同标识和姿态之间进行解耦，并通过单一对象的变化实现多样化的姿态。通过设计姿态提取器和姿态应用器来实现姿态解耦、生成模型的紧凑性和可转移性，并利用隐式姿态应用器来提取姿态信息和实现目标对象的形状变化。通过实验验证了姿态转移和生成多样性变形形状的最新性能。

Jun, 2024

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

图像合成的无监督鲁棒性潜在特征分离

通过学习一个新的方法，深度生成模型可以不需要姿态注释便可学习到表征物体外观和姿态等属性的独立潜在特征，这些特征是可以解释的，且能够生成和修改图像。

Oct, 2019

外观一致性驱动的自监督人体 Mesh 恢复

该论文提出了一种无需成对指导下从单眼图像中推断人体姿态和形状的自我监督的人类网格恢复框架，具有较强的鲁棒性和良好的通用性。

Aug, 2020

DISP6D: 可伸缩 6D 姿态估计的解耦式隐式形状和姿态学习

该论文旨在使用自动编码器的框架来实现物体的 6D 位姿估计，通过度量学习和旋转检索等方法来提高对象类别的推广能力，最终在两个基准测试中展示了最先进的表现。

Jul, 2021

可微分点云的无监督形状和姿态学习

该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型，并通过一组 pose 预测器进行姿势模糊处理，并利用可微分 3D 点云投影技术来获取高保真度的形状模型。

Oct, 2018

无监督部件分割：通过分离外观与形状

研究无监督发现和分割物体部分的问题，通过分离物体部分的外貌和形状表示来进一步优化分割性能，获得更一致的具有语义意义的部分。

May, 2021