Apr, 2021

KAMA：三维关键点感知身体网格骨架

PDF
TL;DRKAMA 是一种 3D Keypoint Aware Mesh Articulation 方法，能够通过 3D 身体关键点的位置估计出人体网格，该方法不需要任何匹配的网格注释，能够通过纯粹的 3D 关键点回归实现最先进的网格拟合。
kama3d keypoint aware mesh articulationhuman body mesh estimationsmpl3d keypoint regression
发现论文，激发创造
  • 面向高效人体网格估计的 MoCap 到视觉领域自适应从 2D 关键点

    提出了一个名为 Key2Mesh 的模型，使用 2D 人体姿势关键点作为输入并估计相应的身体网格。利用大规模的运动捕捉数据集对模型进行训练，克服了缺乏带有 3D 标签的图像数据集的问题。通过在 RGB 图像上应用对抗性领域自适应方法，提高了模型在 RGB 图像上的性能，无需昂贵的标签。在 H3.6M 和 3DPW 数据集上的结果表明，Key2Mesh 在 PA-MPJPE 方面超过其他模型，也在 MPJPE 和 PVE 方面超过了 3DPW 数据集中的其他模型。

    Apr, 2024

  • 从虚拟标记估计 3D 人体网格

    本文提出了基于虚拟标记的中间表示方法，通过学习 64 个身体表面关键点来重构逼真的 3D 网格，精度高于现有方法。

    Mar, 2023

  • HAHA: 高度可表达的高斯人类化身与纹理化网格优先

    从单目输入视频中生成可动画的人体化身的 HAHA - 一种新方法。该方法通过学习高斯喷洒和纹理网格在高效和高保真度渲染之间的权衡，表现出其效率来控制 SMPL-X 参数模型。我们的模型仅在 SMPL-X 网格中需要的区域（如头发和网格之外的衣物）应用高斯喷洒。这样可以使用最少的高斯函数来表示完整的化身并减少渲染伪影。这使我们能够处理传统上忽略的手指等小身体部分的动画。我们在两个开放数据集 SnapshotPeople 和 X-Humans 上展示了我们方法的有效性。在 SnapshotPeople 上，我们的方法的重建质量与最先进方法相当，而使用的高斯函数不到三分之一。HAHA 在 X-Humans 的新姿势上在定量和定性方面优于之前最先进的方法。

    Apr, 2024

  • 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

  • 多视角图像中的多人姿态估计与形状感知

    本文提出了一种基于多视图图像的多人姿态估计方法，在统计参数体模型的引导下，这种方法能够更好地纠正不合理的 3D 姿态估计和填充缺失的关节点检测，将 2D 和 3D 观测联系起来，从而更准确地估计 3D 姿态并且具有较好的泛化性能，实验表明该方法的效果优于现有的方法。

    Oct, 2021

  • 语义保留的基于点的人类角色模拟

    为了实现真实的 AR/VR 和数字娱乐体验，我们提出了第一个点云人物模型，它涵盖了数字人物的全部表达范围。我们使用两个多层感知器来建模姿势相关的变形和线性蒙皮权重。外观的表示依赖于解码器和附加到每个点的特征。与替代的隐式方法相比，朝向点的表示不仅提供了更直观的方式来建模人物动画，还显著减少了训练和推理时间。此外，我们提出了一种新的方法将语义信息从 SMPL-X 模型转移到点云中，从而更好地理解人体运动。通过利用点的语义信息，我们可以通过在不同主体之间交换相同类别的点来促进虚拟试穿和人物组合。实验结果证明了我们提出方法的效果。

    Nov, 2023

  • 关键点社群

    用快速的自下而上的方法，结合图形中心性度量对人类或物体上的 100 多个关键点进行检测，为硬件和人物建模，量化关键点的独立性，将训练权重分配给不同部位的姿势。经实验证明该方法优于以往的所有人体姿势估计方法，而且具有很好的泛化性能。

    Oct, 2021

  • 基于时间的准确无标记人体形态和姿势估计

    本文提出了一种基于 SMPLify 方法的全自动方法，可以从多视角视频中估计三维人体运动和身体形状，并利用 CNN 方法和 DCT 时间先验方法来提高精度，并且在标准基准测试中的结果与最先进的方法相当，同时还提供了一个逼真的 3D 形状 Avatar。

    Jul, 2017

  • 基于骨架的关节运动生成

    该研究通过利用单个图像，结合人体骨骼信息、姿态运动、外观参照和 triplet loss，构建一个条件 GAN 框架，能够生成更真实的动态人体运动序列。研究数据集包括 KTH 和 Human3.6M。

    Jul, 2017