预测人体动作的特征三维姿态

Nov, 2020

Forecasting Characteristic 3D Poses of Human Actions

Christian Diller, Thomas Funkhouser, Angela Dai

TL;DR本文提出了一种用 probabilistic approach 来预测 characteristic poses 的方法，解决了原有 human motion prediction 只能按时间预测的问题，同时构建了一个手动注释的数据集来评估模型，结果表明此方法的平均表现优于现有方法 26%。

Abstract

We propose the task of forecasting characteristic 3d poses: from a single pose observation of a person, to predict a future 3D pose of that person in a likely action-defining, characteristic pose - for instance, from observing a person picking up a banana, predict the pose of the perso

发现论文，激发创造

从短序列预测人体 3D 姿势

本文介绍一种利用视频序列中连续帧的运动信息来恢复人体3D姿态的高效方法，直接从时空块回归到中间帧的3D姿态，克服了模糊和提升了现有方法的性能。

Apr, 2015

从静态图像预测人类动态

研究使用单个RGB图像预测人体动态，提出了3D Pose Forecasting Network(3D-PFNet)，结合2D预测和3D空间，在多样化的数据源下进行了三步训练，展示了在2D姿势预测和3D姿势恢复上有竞争力的性能结果。

Apr, 2017

基于深度马尔可夫模型的人体姿态预测

本研究提出了一种基于深度马尔科夫模型的变分自编码器生成姿势的框架，探讨姿势预测的新方法，并基于一个床具拼装视频数据集进行验证。

Jul, 2017

动作无关的人体姿势预测

本文提出了一种新的不考虑活动标签的短期和长期人体姿势预测方法，使用一种新的循环神经网络模型——三角棱镜循环神经网络，该模型通过编码不同时间尺度的时间依赖性来捕获潜在的分层结构，经在Human 3.6M和Penn Action数据集上进行了广泛的实验，证明了本方法在数量和质量上均优于基线和最先进的方法。

Oct, 2018

从视频中学习三维人体动力学

通过观察人类运动的视觉序列，我们可以轻松猜测人在过去和未来的3D运动。我们提出了一个可以学习人类3D动力学表示的框架，通过简单而有效的图像特征时间编码。在测试过程中，学习到的时空表示能够预测具有平稳性的3D网格。我们的模型可以从单个图像中恢复当前的3D网格以及它未来和过去的3D运动，同时也可以通过半监督学习从带有2D姿态标注的自然视频中学习。我们通过对来自互联网海量未标记数据的模型训练，通过已有的2D姿态检测器得到伪基础真值2D姿态，证明了我们的模型可以自举学习并在三维动作预测任务中获得最新的性能。

Dec, 2018

从视频预测三维人体动态

本篇论文提出了一种可以根据过去的视频输入，预测人体未来三维网格模型序列的方法，通过引入自回归模型在中间潜在空间上进行预测，有效地促进了自回归预测。

Aug, 2019

基于场景上下文的人类长期动作预测

本文通过提出新的三阶段框架来对人类运动进行长期预测，在考虑环境场景的情况下大大提高了预测准确性，并提供了具有清晰注释的多样化合成数据集来实现稳定的训练和严格的评估。

Jul, 2020

我们不仅仅是我们的关节：预测3D身体如何运动

本文提出了一种基于稀疏表面标记预测人体运动的方法，通过MOJO模型生成高频成分的动画，使用SMPL-X模型保证解决方案符合身体的真实形态，并取得了最先进的结果。

Dec, 2020

个性化姿势预测

我们重新界定了人体动作预测问题，并提出了一种与模型无关的个性化方法，该方法可以通过利用低参数的时间序列分析模型来有效在线实现运动预测个性化。

Dec, 2023

3D全身人体动作的表达性预测

通过Encoding-Alignment-Interaction（EAI）框架提出了一种全身人体姿势预测任务，能够协同预测未来的身体和手部活动，从而实现对三维全身人体动作的表达性和跨领域的预测。

Dec, 2023