针对 3D 人体网格配准的局部感知分段变换场
该论文提出了一种基于静态基于点的辐射场的新颖可控人体动作合成方法,通过编码点云转换来应用变形,并利用奇异值分解估计局部旋转以使渲染结果与规范空间训练一致。实验表明,我们的方法在精细级复杂变形方面明显优于现有技术,且可推广到除人物之外的其他 3D 角色。
Oct, 2023
本文提出了一种新的自下而上的方法,即 PIFPAF,用于多人二维人体姿势估计,在城市移动性(如自动驾驶汽车和送货机器人)方面表现特别优异,其方法利用 PIF 来定位身体部位和 PAF 来将身体部位相互关联以形成完整的人体姿势,在低分辨率和拥挤、混乱和遮挡场景下的表现优于以前的方法,在回归中使用 Laplace 损失,结合不确定性的概念,将其归功于我们新的复合场 PAF 编码细粒度信息的选择,我们的体系结构基于全卷积、单次拍摄、无框设计,在标准 COCO 关键点任务上与现有最先进的自下而上方法具有同样的表现,并在修改后的交通领域 COCO 关键点任务上产生最先进的结果。
Mar, 2019
点云配准中的局部和全局特征提取是一个常见问题。本文提出了一种名为 “Point Tree Transformer (PTT)” 的新型基于 Transformer 的方法,通过构建点云的层次特征树和引入一种新的点树注意力机制(PTA)来提取细粒度的局部和全局特征,从而有效地解决低相关性点引起的性能下降和计算复杂度过高的问题。实验证明,该方法在 3DMatch、ModelNet40 和 KITTI 数据集上取得了优越的性能。
Jun, 2024
本研究提出了一种有效快速的图像中多人二维姿态检测方法,使用无参数表示方法命名为 Part Affinity Fields (PAFs),可以学习将身体部位与图像中的个人关联,并设计了一个适用于任意人数图像的贪婪自下而上的解析步骤,该算法通过同一顺序预测过程的两个分支来联合学习部位位置及其关联,显著高于 MPII Multi-Person 基准的现有最新技术结果。
Nov, 2016
本文提出了一种基于数据驱动的方法来解决点云配准问题,通过增加姿态变换描述符的相对姿态估计网络来实现对于全球配准的转换线索,然后通过假设和验证算法来快速使用预测进行对齐,实验表明这种方法在点云配准问题上的表现超过了现有技术。
Apr, 2019
本文研究了如何通过部分体育场地登记和联合优化 3D 姿势估计和相机标定来提取 3D 运动学数据,生成了一个 10K 张图像的合成数据集来展示现有单目 3D HPE 方法的局限性。
Apr, 2023
本文提出一种方法,通过单个 RGB 图像估计刚性物体的六自由度姿态,其中通过 3D 模型在摄像机视锥中采样三维查询点预测三维物体坐标,并借助全连接神经网络来实现神经对应场,最终使用 Kabsch-RANSAC 算法实现姿态估计,该方法在三个 BOP 数据集中都取得了最优结果。
Jul, 2022
本篇论文介绍了一种在人体点云上进行三维关键点检测的挑战,并提出了一种名为 Dual Cascade Point Transformer (D-CPT) 的模型,该模型通过级联的 Transformer 解码器逐步优化关键点,在本地区域使用 RefineNet 增强关键点坐标,通过在 HPoint103 和公共数据集 DHP19 上进行对比评估,验证了我们的 D-CPT 模型在关键点检测方面的显著性能优势,并表明将我们的 RefineNet 集成到现有方法中可以持续提高性能。
Jan, 2024
该研究提出了一种新的注册框架 HumanReg,通过学习两个人体点云之间的非刚性变换,引入了身体先验来有效处理这种类型的点云。与大多数现有的需要昂贵的点对点流注释的监督注册技术不同,HumanReg 可以以自我监督的方式进行训练,借助一组新的损失函数。为了使我们的模型更好地收敛于实际数据,我们还提出了预训练策略以及一个由动态、稀疏人体点云及其自动生成的地面真值注释组成的合成数据集(HumanSyn4D)。我们的实验表明,HumanReg 在 CAPE-512 数据集上实现了最先进的性能,在另一个更具挑战性的真实世界数据集上实现了定性结果。此外,我们的消融研究证明了合成数据集和新的损失函数的有效性。我们的代码和合成数据集可在此 https 网址找到。
Dec, 2023