Aug, 2020

使用多阶段二分减速玻璃网络重建手部三维网格模型

PDF
TL;DR本文通过引入一个可学习的模型 BiHand，使用一种新颖的双向设计来进行 3D 手部估计和网格恢复，该模型可以在多项评估实验中展现出高准确度，对比现有的研究成果具有一定的优越性。
3d hand estimationmesh generationlearnable modelbisecting designaccuracy
发现论文，激发创造
  • 从单目 RGB 图像恢复端到端的手部网格

    本文提出了 HAnd Mesh Recovery (HAMR) 框架，通过参数化通用 3D 手模型的形状和相对 3D 关节角度，提供了更多表达和更有用的网格表示，该框架可从单个 RGB 图像重建人手的完整 3D 网格，并具有较好的表现。

    Feb, 2019

  • 实时三维手部网格重建中的精准对齐

    该论文提出了一种基于三个阶段的新型流程，通过联合阶段、网格阶段和细化阶段，实现准确的手部姿势和形状的 3D 网格重建，从而达到较高的手 - 图像对齐精度和实时性。该流程在基准数据集上具有优越的结果，证明了其高质量的手 - 网格 / 姿态预测和图像对齐性能。

    Sep, 2021

  • 单目 RGB 相机空间下的三维手部网格恢复

    利用虚拟现实、增强现实和手势控制等技术的快速发展，用户期望与计算机界面的交互更加自然和直观。本研究提出了一种网络模型，可从单目 RGB 图像中恢复相机空间中的 3D 手部网格，以实现准确和可靠的绝对空间预测。通过在大规模手部数据集 FreiHAND 上的评估，我们证明了我们提出的模型与最先进的模型具有可比性，为各种人机交互应用中的准确可靠的绝对空间预测技术的发展做出了贡献。

    May, 2024

  • DeepHPS: 基于合成深度学习的端到端三维手部姿态和形状估计

    通过使用卷积神经网络结构，从单个深度图像中学习手部姿势，骨骼比例和复杂形状参数，以及使用一个新的手部姿势和形状层来产生 3D 关节位置和手部网格，利用 SynHand5M 数据集，在综合数据集上展示了良好的效果。

    Aug, 2018

  • 通过双重噪声估计实现单目三维手部网格恢复

    基于参数模型的双重噪声估计方法在 3D 手部姿势和形状估计中取得了显著的进展，可以生成与图像对齐的高质量 3D 手部网格。

    Dec, 2023

  • 利用 Transformers 進行三維手部重建

    从单眼输入中重建 3D 手部，利用基于 Transformer 的 HaMeR 方法，通过大规模数据训练和深度网络容量的扩展，对手部进行精确且鲁棒性增强的分析，并在流行的 3D 手部姿势基准测试中始终优于先前基准线。

    Dec, 2023

  • 通过语义聚合和自适应二维 - 一维配准恢复相机空间手部网格模型

    该研究介绍了一种利用已知关节点之间语义关系和 1D 投影来恢复单个 RGB 图像的相机空间 3D 手部网格的方法，并在流行的数据集上展示了该方法在根相对网格恢复和根恢复方面的最新成果。

    Mar, 2021

  • 二值化三维全身人体网格恢复

    通过使用 Binarized Dual Residual Network (BiDRN) 量化方法，本文在资源有限的边缘设备上以 22.1% 的参数和 14.8% 的运算量实现了与全精度方法 Hand4Whole 相当的性能，且在 3D 全身人体网格恢复任务中显著提高了与最先进的二值化算法相比的效果。

    Nov, 2023

  • 从单一 RGB 图像中估计 3D 手型和姿势

    本文提出了一种基于图形卷积神经网络的方法，从单个 RGB 图像中估算手的 3D 形状和姿态，并通过含 3D 地面真值的大规模合成数据集和深度图弱监督学习进行训练，结果表明可以对手的 3D 网格进行准确和合理的重建，并在与现有最先进方法的比较中达到了更高的 3D 姿态估计准确性。

    Mar, 2019

  • MeMaHand: 利用网格 - Mano 交互进行单图像双手重建

    本文提出了一种利用素材学习获取双手的网络来实现手的重建，其中考虑了两种不同的手表示法。通过引入 Mesh-Mano interaction blocks（MMIBs）以及 mesh alignment refinement module，我们的方法在 InterHand2.6M 基准上的表现优于现有的手重建方法，生成效果明显。

    Mar, 2023