ICCVJul, 2021

基于归一化流的概率单目三维人体姿态估计

PDF
TL;DR本文提出了一种基于正规化流的人体 3D 姿态恢复方法，采用多种假设生成可行的 3D 姿势的后验分布，并结合 2D 检测器的不确定性信息建模不确定探测和遮挡，其中学习出的 3D 姿态先验和最优 M 损失的推广是实现成功的关键因素，该方法在人体 3.6M 和 MPI-INF-3DHP 两个基准数据集上优于所有可比方法。
3d human pose estimationmonocular imagesnormalizing flowuncertain detectionbenchmark datasets
发现论文，激发创造
  • 基于归一化流的弱监督 3D 人体姿态和形状重建

    本文提出了一种基于运动捕捉数据集和大规模图像和视频数据集的半监督和自监督学习方法，利用运动和不同 iable 的语义身体部位对齐损失函数进行训练，来精确地估计单眼三维人体姿态和形状。实验结果证明，该方法优于现有技术，可用于广泛的真实场景。

    Mar, 2020

  • HuManiFlow: 在 SO (3) 流形上，对祖先进行调整的正则化流，用于人类姿势和形状分布估计

    本文介绍了一种名为 HuManiFlow 的方法，利用概率分布和正规化流预测 3D 人体姿态和形状，同时具备准确性、一致性和多样性，解决了估计不明确的问题。

    May, 2023

  • ElePose: 通过预测相机高度并在二维姿态上学习归一化流的无监督三维人体姿态估计

    本文提出一种无监督的方法，通过学习从单张图像预测 3D 人体姿态来解决对于许多人类活动尚不存在标注训练数据的挑战，并且采用正则化流和对 2D 和 3D 姿态进行线性子空间投影来提高性能。

    Dec, 2021

  • 使用混合密度网络生成多个假设的三维人体姿态估计

    本文提出了一种基于多模式混合密度网络的方法，可以从 2D 关节生成多个可行的 3D 人体姿势假设。实验表明，我们的方法具有先进的性能，并且可以用于针对 2D-3D 反问题的多解决方案。

    Apr, 2019

  • 基于正则流模型的人体姿态异常检测

    本研究通过将视频异常检测问题简化为人体姿势的异常检测，使用一种基于 spatio-temporal graph convolution blocks 的基于正常化流的算法来处理这类数据，并在两个异常检测基准数据集上表现出最先进的结果。

    Nov, 2022

  • 在 SO (3) 流形的乘积空间上进行正则流用于概率人体姿势建模

    在旋转表示中，标准化流已经证明了它们在欧几里得空间中密度估计的功效，但其在各个领域如机器人技术或人体姿势建模中的应用仍未充分探索。我们引入了 HuProSO3，一个在 SO (3) 流形的高维乘积空间上运行的标准化流模型，用于对具有三个自由度的人体关节的联合分布进行建模。通过在三个不同应用中表现出的卓越建模准确性和准确似然度量能力，HuProSO3 相比现有方法具有优势。这项工作不仅解决了在 SO (3) 流形上学习密度的技术挑战，也对需要对相关的 3D 旋转进行概率回归的领域具有广泛的影响。

    Apr, 2024

  • 稀疏性与深度结合：单目视频中的 3D 人体姿态估计

    本文通过提出一种新的方法，在人体姿势估计中实现了更好的 3D 姿势估计精度，通过使用单目图像序列并利用深度全卷积网络预测 2D 关节位置的不确定性图，并使用期望最大化算法进行 3D 姿势估计。

    Nov, 2015

  • 人体网格恢复的概率建模

    本文提出一种基于正常流模型的方法，利用概率建模的思想，从多个视角的 2D 图像集合中重建 3D 人体姿势。该方法在人体姿势重建、模拟及建模上都取得了较好的效果，且可通过提供多种样本取得更为准确的估计。

    Aug, 2021

  • 利用显式 2D 特征和中间 3D 表示进行野外人体姿势估计

    本文提出了一种基于卷积神经网络的深度学习方法，用于单目 3D 人体姿态估计，具有高精度和更好的野外场景泛化能力，可以联合在具有 3D 标签和仅有 2D 标签的图像数据上进行训练，并在具有挑战性的野外数据上实现了最先进的准确性。

    Apr, 2019

  • DiffPoseNet: 直接可微相机位姿估计

    本文提出了一种基于深度学习的方法 NFlowNet，通过直接法而非经典的视觉 SLAM 方法，通过图像梯度来估算相机的位姿，实现了对于姿态的倒易约束，经实验证明该方法的泛化性能较好并优于其他已有方法。

    Mar, 2022