学习拟合形态模型
本文提出了一种新算法,将迭代梯度下降和深度神经网络结合起来,实现 3D 人体形状与图像的拟合。该算法只需人体动作捕捉数据,不需要图像到 3D 对应关系,并且在公共数据集上达到了最先进的结果。
Aug, 2020
该研究提出了一种新的方法,将基于优化的方法和基于回归的方法结合起来,通过深度学习网络和迭代优化技巧来准确估计人体姿势。在实验中,该方法在数据稀缺和限制条件下改善了现有技术的精度和效率。
Sep, 2019
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
本研究提出了一种新的三维人脸重建技术,利用稀疏光度立体和单个图像的面部建模技术,通过采用语义分割技术,可以精确重构面部毛发和裸露皮肤区域,包括皱纹、眉毛、丘疹、毛孔等微小的几何细节,其表现可与电影品质制作相媲美。
Nov, 2017
该论文提出了一种通过学习额外的代理来学习高保真人脸模型的新方法,结合全局和局部模型的精心设计网络,通过改进非线性 3D 可变形模型的学习目标和网络架构,使其在捕捉更高级别细节方面具有优越性,从而在 3D 人脸重建中实现了最先进的表现。
Apr, 2019
本文提出了一种新方法,基于一个稀疏的 RGBD 相机捕获集合来重建 3D 人体模型,重点解决拍摄过程中的姿态变化和遮挡问题,并使用全局非刚性注册和纹理映射优化等步骤来实现。通过实验证明,该方法的性能优异,且具有灵活性和多种潜在应用。
Jun, 2020
我们提出使用密集对应将人体模型的初步估计与相应的图像生成关联,以便优化初步估计的过程。我们将 3D 模型的渲染结果用于预测合成图像与 RGB 图像之间的像素级 2D 位移,从而有效地整合和利用人体外观信息。通过最小化投影损失,我们可以将像素级位移转化为可见顶点级位移,并用于三维模型的优化。在 3DPW 和 RICH 上,我们通过不同的优化过程对多个模型的初步估计进行了优化,结果表明我们的方法不仅能够使图像与模型更好地对齐,还能提高三维的准确性。
Mar, 2024
我们提出了一种新的基于优化的 3D 人体模型拟合范式,采用每个点的神经场网络进行训练,结合梯度下降优化管道实现对穿着衣服的人体的拟合。与现有的方法相比,这种方法能够捕获到具有非常不同身体形状的人的潜在身体,并在 3D 模型拟合中实现了显着改进。
May, 2022
本论文提出了一种学习式的 Neural Parametric Models (NPMs) 用于精确地重建和跟踪人体、手部和服装等物体的运动序列,并展示了该方法相对于传统参数化或非参数化方法的优越性。
Apr, 2021
针对在协作和交流中需要产生逼真可信的虚拟人物角色,本文提出了一种基于流的 3D 人体生成模型,通过学习 3D 人体姿势的条件分布和从观察到的数据到潜在空间的概率映射,生成能够确定关节不确定度的虚拟角色动作,证明了该方法不仅是一个强大的预测模型,还可以在各种优化环境中充当一个高效的姿势先验。
Mar, 2022