Oct, 2020

用卷积自编码器填充人体运动

PDF
TL;DR本论文提出一种基于卷积自编码器的算法来解决 3D 人体运动数据中的运动填充问题，通过将缺失的姿势预测出来以使得填充后的姿势能够自然地过渡到结束序列。此方法不仅能够填补完整的帧，还能够用于补充部分姿势和去除噪声，同时能够自动拟合变化长度的缺口。
convolutional autoencodermotion infilling3d human motion dataend-to-end trainableinpainting problem
发现论文，激发创造
  • 基于时空修补的人体运动预测

    本文在三个主要方面提出了改进：（1）使用生成对抗网络（GAN）预测 3D 人体动作，（2）设计架构来学习身体姿势和全局动作的联合分布，（3）提出了基于频率分布的两种替代指标来反映长期人类运动的实际分布，结果表明本文方法显著改善了现有技术，同时能够处理受到遮挡、噪声和丢失帧等影响的情况。

    Dec, 2018

  • 基于图卷积自编码器的可变形形状补全

    本论文提出一种新的深度学习方法，利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全，对合成和真实扫描的人体和面部网格进行了实验，显示出有前途的结果。

    Dec, 2017

  • 卷积序列到序列模型用于人类行为动态

    基于卷积神经网络和编码器 - 解码器结构，提出了一种新颖的人体运动建模方法，并在 Human3.6M 和 CMU Motion Capture 数据集上取得了更准确的预测结果。

    May, 2018

  • 学习人体运动模型进行长期预测

    使用自动编码器的 LSTM 模型从数据中学习预测时空运动模型、自动生成自然运动序列并开发新的评估协议，成功地在两个最大的运动捕捉数据集上表现出长时间水平高于现有的预测和合成方法。

    Apr, 2017

  • 递归变压器变分自编码器用于多动作运动合成

    通过 Recurrent Transformers 和条件变分自编码器的结合，我们提出了一种新的迭代式方法，能够高效地生成具有任意动作序列的人类运动序列。该方法在 PROX 和 Charades 数据集上得到了验证，表明它在 FID 得分和语义一致性指标方面显著优于现有的技术方法。

    Jun, 2022

  • 利用图像技术填补时间序列间隙：多维上下文自编码器方法填充建筑能耗数据

    本文研究建筑能源预测和管理的问题，尤其是关于如何在能源数据缺失较多的情况下利用基于图像的深度学习方法对这些数据进行填充的研究，结果表明使用部分卷积（Partial Convolution, PConv）的深度学习方法在减小均方误差方面比 2D-CNN 更有效。

    Jul, 2023

  • 基于 Transformer VAE 的带动作条件的 3D 人类动作合成

    本文介绍了一种运用 VAE 和 Transformer-Based 架构实现人体运动序列的有条件生成，以及改进行为识别和降噪等两种应用。

    Apr, 2021

  • 活现模糊瞬间

    设计了一个端到端的自动编码器网络来提取运动模糊图像中的视频信息，生成具有时间上连续性的清晰图片序列，同时实现了实时的单张图像去模糊操作，结果表明我们的方法在精度、速度和紧凑性方面均优于现有方法。

    Apr, 2018

  • 清理动作捕捉数据的深度循环框架

    本文提出了一种利用时域相关性和关节相关性清理带噪声和不完整的运动捕捉数据的深度双向循环框架，并通过第二个双向网络对带有噪声和空缺的信号进行预处理，从周围上下文中合成缺失的帧。该方法不依赖于噪声分布的知识，处理多种类型的噪声和长空缺，并在各种评估中得到了验证。

    Dec, 2017

  • 生物启发式的人类运动序列连续学习

    本文提出了一种基于生物学启发的有条件时间变分自编码器（BI-CTVAE）的模型，用于连续学习涉及时间序列的任务，特别是人类运动，最终将其应用于生成运动序列的连续学习中，并在人类运动数据集上进行测试，结果分类准确率为 78％，比不使用重放模型高 63％，仅比离线训练最先进的 GRU 模型低 5.4％。

    Nov, 2022