PoseAug：用于 3D 人体姿态估计的可微姿态增强框架

CVPRMay, 2021

PoseAug：用于 3D 人体姿态估计的可微姿态增强框架

PoseAug: A Differentiable Pose Augmentation Framework for 3D Human Pose Estimation

Kehong Gong, Jianfeng Zhang, Jiashi Feng

TL;DR该研究提出了 PoseAug，一个基于数据自动增强的框架，能通过增加训练姿态的多样性来提高 2D 到 3D 姿态估计器的泛化性能，该框架引入了姿势增强器来调整姿态的各种几何因素，并介绍了适用于评估局部关节角度可信度的 Kinematic Chain Space。该研究的实验结果表明，在训练数据集有限的情况下，算法能显著地提高估计器的性能。

Abstract

Existing 3D human pose estimators suffer poor generalization performance to new datasets, largely due to the limited diversity of 2D-3D pose pairs in the training data. To address this problem, we present PoseAug, a new auto-augmentation framework that learns to augment the available t

3d human pose estimation data augmentation pose diversity kinematic chain space generalization

发现论文，激发创造

三维人体姿态估计中的领域泛化的双增强框架

我们提出了一种新的框架，使用两个姿势增强器，以应对 3D 人体姿势估计领域普遍化中的若干限制，并通过元优化模拟领域移位，从而显著提高姿势估计器的普适能力。

Mar, 2024

MoCap 引导的数据增强在野外三维姿态估计中的应用

该论文提出了一种采用基于图像合成方法生成真实图片数据集以训练 CNN 模型，用于解决 3D 人体姿态估计缺少真实数据的问题，并通过在受控环境和实境的表现表明其可行性。

Jul, 2016

PoseTrans: 一种简单而有效的姿势变换数据增强方法，用于人体姿态估计

本研究提出了一种简单而有效的数据增强方法，称为姿势变换模块 (PoseTrans)，旨在解决人体姿势数据分布不均的问题，提高当前姿态估计器的泛化能力和效率。实验结果表明，我们提出的方法在稀有姿势方面表现出色，易于实现。

Aug, 2022

Learnable Motion Generation 实现 3D 人体姿势估计的跨数据集自适应

该论文提出了一种名为 AdaptPose 的端到端框架，通过生成合成的 3D 人体动作数据，并在新数据集上通过微调来提高 3D 姿态估计模型的泛化能力，该方法成功地比之前的交叉数据集评估方法和使用部分 3D 注释的半监督学习方法改进了 14% 和 16%。

Dec, 2021

PointAugment：一种针对点云分类的自动增强框架

这篇论文提出了 PointAugment 自动增强框架，使用对抗性学习策略自动优化和增强点云样本以增加数据多样性，在形状分类方面取得良好表现。

Feb, 2020

深度级联单眼三维人体姿态估计与演化训练数据

本研究提出了一种新的数据增强方法，该方法基于分层的人类表示和启发式先验知识，并且可以有效地合成未看见的三维人类骨骼，用于训练二维到三维网络，实验结果表明，我们的方法不仅在最大的公共基准测试中取得了最先进的准确性，而且对未见过的和罕见的姿势的泛化能力也得到了显著提高。

Jun, 2020

UPose3D：带有跨视角和时间线索的不确定性感知 3D 人体姿态估计

UPose3D 是一种新颖的多视图 3D 人体姿势估计方法，通过改进鲁棒性和可扩展性来解决准确性的挑战，同时不需要直接的 3D 注释。

Apr, 2024

MetaPose: 无需 3D 监督，快速从多视图中获得 3D 姿态

本文介绍如何使用神经网络模型进行多摄像头人体姿势估计，在考虑多角度遮挡及联合位置不确定性情况下，使用 2D 关键点数据进行训练。相比于经典捆绑调整与弱监督单目 3D 基线方法，我们的模型在 Human3.6M 和 Ski-Pose PTZ 数据集上表现更好。

Aug, 2021

SoloPose: 基于视频数据增强的一次性运动学 3D 人体姿势估计

本文介绍了 SoloPose，一种新颖的一次性、多对多的时空转换模型，用于视频中的运动学 3D 人体姿势估计。SoloPose 进一步加强了 HeatPose，一种基于高斯混合模型分布的 3D 热图，它对目标关键点和动力学相邻关键点进行因素分解。最后，我们通过 3D AugMotion 工具包解决了数据多样性限制问题，该方法通过将四个顶级公共 3D 人体姿势数据集（Humans3.6M、MADS、AIST Dance++、MPI INF 3DHP）投影到一个新的数据集（Humans7.1M）中，使用了一个通用的坐标系统。在 Human3.6M 和增强的 Humans7.1M 数据集上进行了大量实验证明，SoloPose 相对于最先进的方法具有优越的结果。

Dec, 2023

基于部件的点云三维物体检测数据增强

本文提出了基于局部的数据增强方法，即 PA-AUG，可以更好地利用 3D 标签的丰富信息来增强 3D 物体探测器的性能。该方法可用于所有类型的 KITTI 数据集，具有等效的增加训练数据 2.5 倍的效果，并且对损坏的数据也具有鲁棒性。

Jul, 2020