Aug, 2020

学习梯度下降拟合人体模型

PDF
TL;DR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。
3d human shape fittingiterative gradient-based optimization techniquesdeep neural networksparameter update rule2d joint re-projection error
发现论文，激发创造
  • 通过模型拟合学习重构 3D 人体姿势和形状

    该研究提出了一种新的方法，将基于优化的方法和基于回归的方法结合起来，通过深度学习网络和迭代优化技巧来准确估计人体姿势。在实验中，该方法在数据稀缺和限制条件下改善了现有技术的精度和效率。

    Sep, 2019

  • 视觉三维人体姿态与形状的神经下降

    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。

    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

  • 学习拟合形态模型

    通过学习优化方法，提出了一种类 Levenberg-Marquardt 算法的更新规则，以更高效地适应新的模型拟合问题，并且在准确性和速度上具有竞争力。

    Nov, 2021

  • SMPL 约简：从单张图片自动估计三维人体姿态和形状

    本研究提出了一种基于 DeepCut 和 SMPL 模型的 3D 姿态估计方法，能够从单张无约束的图像中自动预测人体的姿态和形状，实现了对人体结构和运动的精确推断。

    Jul, 2016

  • 利用多视角图像进行形状感知人体姿态和形状重建

    使用多视角图像建议一种可伸缩的神经网络框架来重建 SMPL 模型子空间中的人体 3D 网格，并在现实图像上表现优异，特别是在形状估计方面。

    Aug, 2019

  • 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

  • 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