ECCVAug, 2020

I2L-MeshNet: 基于单个 RGB 图像的精确 3D 人体姿态和网格估计的图像到像素预测网络

PDF
TL;DR通过使用基于像素的 1D 热图来预测每个网格顶点坐标的互联概率，I2L-MeshNet 建议了一种图像到像素预测网络，以解决估计人体网格模型参数的高度非线性映射的问题，同时还能够模拟预测不确定性，因此比现有方法表现更好。
3d human posemesh estimationimage-to-lixel prediction1d heatmapprediction uncertainty
发现论文，激发创造
  • Skeleton Transformer Networks：从单张 RGB 图像提取 3D 人体姿态和皮肤网格

    该研究提出了一种名为 Skeleton Transformer Networks 的网络框架，可以通过单张彩色图像预测出人体骨架的 3D 关节点位置和 3D 角度姿态，并从而生成蒙皮网格动画。该框架采用两步回归方法进行骨骼旋转预测，其中第一步通过考虑骨架结构回归骨骼旋转以获得初始解，第二步则基于被称为交叉热图的三维姿态表示采用热图回归器进行精细化调整。实验表明，使用该框架训练的 3D 人体姿势数据集可以在野外环境下通过单张图像准确预测出人体的 3D 姿态。

    Dec, 2018

  • 从单 RGB 图像生成 3D 网格模型的 Pixel2Mesh

    本文提出了一种基于图卷积神经网络的端到端深度学习架构，从单个彩色图像中生成三角网格的 3D 形状，并采用粗到细的策略、不同级别的网格相关损失来保证生成的几何形状具有良好的视觉效果和物理精度。

    Apr, 2018

  • 从单色图像学习估计三维人体姿态和形状

    该论文提出了一种基于卷积神经网络的直接预测方法，将参数化的统计全身形状模型与 2D 关键点和掩膜相结合，实现从单张彩色图像中估计全身的 3D 姿态和形状，得到了比先前基准更好的结果。

    May, 2018

  • 使用 2D 边缘热图进行 3D 人体姿态估计

    本文介绍了一种改进的三维人体姿势预测模型 MargiPose，它使用深度神经网络和增强软最大值方案，可以在保持可微性的同时，从单眼 RGB 图像中预测二维边缘热图，并在公开的三维人体姿势估计数据上实现了最新的准确性。

    Jun, 2018

  • 3D-LaneNet: 端到端 3D 多车道检测

    该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局，并展示了在合成和真实数据集上的表现，其对车道合并和拆分等复杂情况的处理也更加明确，较以往方法有竞争力。

    Nov, 2018

  • I2UV-HandNet：准确高保真的三维手部网格建模的图像到 UV 预测网络

    本篇论文提出了一种基于 I2UV-HandNet 模型的 3D 手部姿态和形状估计方法，通过使用 UV 位置图像的低分辨率和高分辨率图像进行图像到图像转换来恢复 3D 手模型，成功实现了对手部形状的 UV 表示，在多个具有挑战性的数据集上，该方法的性能达到了最新水平。

    Feb, 2021

  • 单视图粗细层次三维人体姿态预测

    本研究通过对 3D 人体姿态估计表征问题的认真研究，提出了一种方法，并且对现有的最优解的表现进行了超越，在标准测试基准中相对误差降低超过 30％，该方法包括 Convolutional Network、端到端的学习模型、从粗到细的预测方案和三维体表示。

    Nov, 2016

  • V2V-PoseNet：从单深度图中准确预测三维手部和人体姿态的体素到体素预测网络

    本文提出了一种基于 3D CNN 的手部和人体姿态估计方法，通过使用立方体栅格并为每个关键点估计每个体素的可能性来将问题转化为体素到体素的预测，并克服了 2D 深度图中的透视畸变和非线性映射等缺点，实现了较高的准确性和实时性

    Nov, 2017

  • 用于从 2D 人体姿态估计中获得人体姿态和形状的模块化多阶段轻量级图转换网络

    本文提出了一种基于图表的变形网络，实现了从二维人体姿态到三维人体姿态的估计和到三维人体网格参数的回归。该方法在保证精度的同时，优化了计算效率，具有广泛的实际应用价值。

    Jan, 2023

  • LCR-Net++：自然图像中多人 2D 和 3D 姿态检测

    本文提出了一种 LCR-Net 架构，包括姿态候选生成器、姿态候选分类器和姿态回归器，可以同时预测多个人的 2D 和 3D 姿态，并且不需要初始人类本地化。该方法在姿态估计的表现上显著优于现有技术，特别是具有局部遮挡或图像边界截断的人体部分的情况。

    Mar, 2018