imGHUM: 三维人体形状和关节姿态的隐式生成模型
本文提出一种基于深度神经网络的人体三维姿态和形状重建方法,使用全身统计 3D 人体模型和学习技巧来优化模型并将其应用于自监督模式下的姿态和形状状态重建,并基于新颖的循环方式更新姿态和形状参数,从而实现了优化损失和度量反差的统一,测试结果表明其在 H3.6M 和 3DPW 等数据集上均获得了极具竞争力的结果。
Aug, 2020
BlazePose GHUM Holistic 是一种轻量级神经网络模型,专门用于实时在设备上进行 3D 人体地标和姿势估计,包括阿凡达控制、健身追踪和 AR / VR 效果等,并具有 3D 真实数据获取的新方法、额外手部地标的更新的 3D 身体追踪和从单眼图像中完整身体姿态估计的主要贡献。
Jun, 2022
通过神经特征场可以隐含模拟出人类在 3D 空间中的姿态和形状,从而提出了隐式三维人体网格恢复 (ImpHMR) 方法,并通过 Consistency and Self-supervised 的学习方式实现了姿态和形状参数的预测。
Jun, 2023
我们介绍了 PGAHum,一种先验引导的几何与外观学习框架,用于高保真度可动人体重建。我们在三个关键模块中充分利用 3D 人体先验,实现了具有细节丰富的几何重建和能在未见过的姿势上合成逼真视图的高质量结果。
Apr, 2024
引入了 HuMoR:一种用于鲁棒估计时间姿态和形状的 3D 人体运动模型。该模型是一个表达能力强的条件变分自编码器生成模型,学习了运动序列每一步姿态变化的分布。通过灵活的优化方法,可以利用 HuMoR 运动先验知识从模糊的观察中鲁棒地估计出合理的姿态和形状。经过广泛的评估,证明我们的模型在大量运动捕捉数据集上训练后,可以推广到多样化的动作和身体形状,并且可以从多种输入模态(包括 3D 关键点和 RGB (-D) 视频)重建运动。
May, 2021
本文提出了一种名为 3DHumanGAN 的生成对抗网络(GAN),用于合成全身人体的图像,具有在不同视角和姿势下一致的外观。该模型采用了 2D 卷积背骨由 3D 姿态映射网络调制的生成器架构,能够生成具有 3D 人体先验知识和一致性的逼真图像,并通过对抗学习从网络图片中学习而来。
Dec, 2022
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
本文提出了一种使用弱监督深度生成网络解决逆问题的方法,该网络设计了一个提议分布来逼近未知的多模态目标后验分布,并通过 KL 散度最小化实现近似,并使用平均漂移算法确定最可行的解决方案。实验结果显示,该方法能够生成多个可行的假设,获得了与现有弱监督方法相比的最新结果。
Aug, 2020
本文提出了一种方法,通过深度学习的隐式函数和参数表示相结合,重建出具有可控性和高准确性的人体 3D 模型,使得即使加上服装等复杂因素,也能够保证模型的灵活性。
Jul, 2020