CVPRAug, 2020

视觉三维人体姿态与形状的神经下降

PDF
TL;DR本文提出一种基于深度神经网络的人体三维姿态和形状重建方法，使用全身统计 3D 人体模型和学习技巧来优化模型并将其应用于自监督模式下的姿态和形状状态重建，并基于新颖的循环方式更新姿态和形状参数，从而实现了优化损失和度量反差的统一，测试结果表明其在 H3.6M 和 3DPW 等数据集上均获得了极具竞争力的结果。
deep learning3d pose estimationhuman sensingself-supervised regimereconstruction
发现论文，激发创造
  • 学习梯度下降拟合人体模型

    本文提出了一种新算法，将迭代梯度下降和深度神经网络结合起来，实现 3D 人体形状与图像的拟合。该算法只需人体动作捕捉数据，不需要图像到 3D 对应关系，并且在公共数据集上达到了最先进的结果。

    Aug, 2020

  • 学习顶点下降：三维人体模型拟合的新方向

    我们提出了一种新的基于优化的 3D 人体模型拟合范式，采用每个点的神经场网络进行训练，结合梯度下降优化管道实现对穿着衣服的人体的拟合。与现有的方法相比，这种方法能够捕获到具有非常不同身体形状的人的潜在身体，并在 3D 模型拟合中实现了显着改进。

    May, 2022

  • 使用深度神经网络进行 3D 人体姿态结构预测

    本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法，该方法借助于过度完备的自动编码器并考虑关节从属关系，优于现有技术，包括结构保留和预测准确性两方面。

    May, 2016

  • 从密集身体部位学习 3D 人体形状和姿势

    本文提出了一种从稠密对应的人体部位进行学习的方法，通过构建 2D 像素与 3D 顶点之间的桥梁，提出了解决非线性、位移等问题的 Decompose-and-Aggregate 网络（DaNet），并给出了一种利用空间关系的位置辅助旋转特征细化策略来提高鲁棒性的姿态预测策略，发现该方法显著提高了重建性能。

    Dec, 2019

  • DenseBody：从单幅彩色图像直接回归密集式三维人体姿势和形状

    本文提出使用卷积神经网络和编码器 - 解码器神经网络从单张彩色图像中直接回归 3D 人体网格，利用高效的 3D 人体形状和姿势表示方法，在 Human3.6M、SURREAL 和 UP-3D 等多个 3D 人体数据集上实现了最新性能。

    Mar, 2019

  • 基于深度分层神经网络的解耦人体嵌入

    本文提出了一种像自动编码器一样的网络架构，以学习解缠人体的形状和姿势嵌入，特别是针对三维人体。通过分层重构流程和一个大数据集的构建，并对神经网络进行学习，提高了重构准确性。通过广泛实验，我们的学习到的三维人体嵌入在各种应用中展现了强大的能力。

    May, 2019

  • 基于归一化流的弱监督 3D 人体姿态和形状重建

    本文提出了一种基于运动捕捉数据集和大规模图像和视频数据集的半监督和自监督学习方法，利用运动和不同 iable 的语义身体部位对齐损失函数进行训练，来精确地估计单眼三维人体姿态和形状。实验结果证明，该方法优于现有技术，可用于广泛的真实场景。

    Mar, 2020

  • THUNDR: Transformer-based 3D 人体重建技术与标记器

    THUNDR 是一种基于变形器的深度神经网络方法，可以重建在单目 RGB 图像中的人体 3D 姿态和形状；其关键在于通过一个中间的 3D 标记表示，通过将无模型输出结构的预测能力与类似于 GHUM 的统计人体表面模型的规则化，人体测量性保持的性质相结合来实现。该方法在人形态和全局转换推断任务中，得到了 Human3.6M 和 3DPW 上的超卓成果，并能够应对野外人体姿势等困难情境。

    Jun, 2021

  • 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

  • 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