VoteHMR：面向遮挡感知的点云投票网络用于从部分点云中鲁棒恢复 3D 人体网格

MMOct, 2021

VoteHMR：面向遮挡感知的点云投票网络用于从部分点云中鲁棒恢复 3D 人体网格

VoteHMR: Occlusion-Aware Voting Network for Robust 3D Human Mesh Recovery from Partial Point Clouds

Guanze Liu, Yu Rong, Lu Sheng

TL;DR本文提出了一个名为 VoteHMR 的方法，利用包括关节级别特征和输入点云全局特征的信息，通过新颖的遮挡感知投票网络从单帧部分点云中重建可靠的 3D 人类形态，并通过运动学树将关节级别特征填充完成亚像素级参数预测，使得方法在各项指标上均超过先前的工作。

Abstract

3d human mesh recovery from point clouds is essential for various tasks, including AR/VR and human behavior understanding. Previous works in this field either require high-quality 3D human scans or sequential point clouds, which cannot be easily applied to low-quality 3D scans captured

3d human mesh recovery votehmr occlusion-aware voting network kinematic tree smpl

发现论文，激发创造

人体形状和姿势的端到端恢复

本文提出了一种名为 HMR 的端到端框架，可从单个 RGB 图像恢复人体的完整 3D 网格，通过优化关键点的后投影损失来训练模型，并使用对抗神经网络解决了模型参数欠约束的问题，最终实现了在野外图像中直接从像素预测人体姿态和形状参数的目标。

Dec, 2017

LiDAR-HMR: LiDAR 中的 3D 人体网格恢复

本文首次尝试从稀疏的 LiDAR 点云中估计 3D 人体网格，提出了一种有效的稀疏到稠密重建方案，并通过引入图形变换器来更好地利用点云的 3D 结构信息，实验证明了该方法的有效性。

Nov, 2023

遮挡人体网格恢复

本文提出了一种顶部下降的网格恢复方法（OCHMR），该方法利用图像空间上下文来克服单人假设的局限性，并通过 Contextual Normalization 块适应性地调节顶部下降模型的中间特征，这使得模型能够在多人遮挡的情况下区分出严重重叠的人边框，从而获得了优于其他方法的表现。

Mar, 2022

使用姿态和形状的一致性从未见过的视角恢复隐式的三维人体网格

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

PC-HMR：从 2D 图像 / 视频中恢复 3D 人体网格的姿态校准

本文提出了两种新颖的姿态校准框架，采用先进的 3D 姿态估计器和 HMR 序列或并行方式有效地校准人体网格，通过非刚性姿态变换，可以灵活地处理骨长变化以缓解校准后的网格中的误放置，并通过数据驱动学习和几何建模的通用和互补集成来实现，可用于各种图像 / 视频人体网格的恢复，其在多项基准测试中取得了最新的表现。

Mar, 2021

分布和深度感知变换器用于三维人体网格恢复

通过采用转换器的端到端架构，利用分布和场景深度信息，实现了精确人体网格还原技术，并在处理无监督数据的某些场景下表现出优越性能，同时在受控数据集上与最先进的 HMR 方法保持竞争力。

Mar, 2024

HumanMeshNet：人类的多边形网格恢复

提出一种新模型 HumanMeshNet，它在多分支、多任务设置下，通过回归模板网格的顶点以及使用三维骨架位置进行规则化，隐式地学习了网格表示，从而实现虚拟、增强现实平台、动画行业、电子商务领域等方面的实时重建，并在三个公开数据集上展示了可比较的表面精度和关节误差性能。

Aug, 2019

多人全身人体网格恢复单次拍摄

提出了 Multi-HMR，这是一个强大的单次拍摄模型，可以从单个 RGB 图像中恢复多人的 3D 人体网格。

Feb, 2024

分层运动学人类网格恢复

提出了一种基于已知层次结构的人体参数化模型回归新技术，旨在更加灵活应用于当前标准的三维人体网格恢复框架，并通过实验数据证明其性能优于现有方法，能在数据损坏下推断关节。

Mar, 2020

MeshPose：将 DensePose 和三维身体网格重建统一

DensePose 提供了图像与 3D 网格坐标的像素精确关联，而 Human Mesh Reconstruction（HMR）系统在 DensePose 定位度量中具有较高的 2D 重新投影误差。本文介绍了 MeshPose 并共同解决了 DensePose 和 HMR 问题。通过引入新的损失函数，我们使用弱 DensePose 监督准确定位部分网格顶点（'VertexPose'），然后将这些顶点提升到 3D，得到低多边形身体网格（'MeshPose'）。我们的系统以端到端方式进行训练，是第一个在保持竞争力的 DensePose 准确性的同时，也是轻量级且适用于高效推断的 HMR 方法，因此非常适合实时增强现实应用。

Jun, 2024