CVPRApr, 2022

COAP: 人的组合式关节占用情况

PDF
TL;DR本研究提出了一种新型的神经隐式表示方法，旨在有效地对人体的关节运动进行建模、重构和合成，该方法利用具有局部感知能力的编码器 - 解码器结构将全身几何形状分解成局部身体部位，并学习局部复杂变形的神经隐式占据，同时考虑到身体部位的几何限制来提高姿态泛化能力，在 3D 环境中易于处理自相交和碰撞，实验结果表明，该模型在效率和准确性方面明显优于现有的解决方案。
neural implicit representationarticulated human bodiespart-aware encoder-decoder architecturepose generalization3d scenes
发现论文，激发创造
  • LEAP: 人体关节占据学习

    本文提出了一种名为 LEAP 的新型神经占据表示方法，用于建模复杂的人体形状变形。通过使用学习的 LBS 功能，将查询点映射到规范空间，并通过占据网络对人体的姿势和形状变形进行建模，从而大大提高了学习占据表示的泛化能力。

    Apr, 2021

  • 神经身体：使用结构化潜在编码的隐式神经表示，用于动态人体新视角综合

    本文提出了 Neural Body，一种人体新的神经表示方法，通过假设不同帧的学习神经表示共享相同的潜在代码来集成视频帧之间的观察，从而解决了高度稀疏的视图的表征学习问题，并在多视点数据集 ZJU-MoCap 上得到了验证。

    Dec, 2020

  • LatentHuman：人体形态和姿势分离的潜在表征

    本文提出了一种基于运动学模型的神经隐式表示方法，可以同时处理人体的形状和姿态，实现了更好的三维重建效果和任务控制能力。

    Nov, 2021

  • 利用空间连续的神经隐式表示学习关节物体的分部运动

    通过神经网络模型，本研究提出一种新的框架来明确分解关节物体的部分运动，通过预测部分表面上的点的转换矩阵，使用空间连续的神经隐式表示来平滑地建模部分运动，在对不同类别的关节物体进行实验的数量化和质量化结果证明了我们的方法的有效性。

    Nov, 2023

  • 卷积占据网络

    本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

    Mar, 2020

  • SCALE: 基于关节局部元素表面编解码的服装人体建模

    通过使用神经网络的表征来捕捉局部相干几何信息和非平面细节，并回归本地几何，我们提出了一种新的表面能量，通过在服装上基于人体模型的变形将人体和衣服的形变分离开来，在二维参数空间上学习一种姿态嵌入，对未知的姿态进行模型建立，以及通过动作瞬间学习人的姿态，实现了点云三维建模和渲染。

    Apr, 2021

  • NASA: 神经关节形状逼近

    本文提出了一种名为神经关节形状逼近（NASA）的技术，它使用神经指示函数来高效表示关节变形对象，避免了由于网格和封闭性的复杂性所带来的问题，并实现了在三维跟踪应用中的有效性。

    Dec, 2019

  • ACORN：神经场景表示的自适应坐标网络

    提出一种新的混合隐式 - 显式网络架构和训练策略，采用多尺度块坐标分解，并在训练期间自适应分配资源，以适应信号的本地复杂性，可成功将吉卜赛像素图像提高至接近 40dB 峰值信噪比，以及比以前技术更快，更好地表示 3D 形状。

    May, 2021

  • 学习抽象图像中的重要性：关于遮挡在人体姿势最简编码中的作用

    本文提出了一种使用不透明的三维肢体表示的新方法，该方法在保留遮挡信息的同时，隐含地编码关节位置，从而实现对抽象合成图像的训练，并允许预测完全独立于相机视角的姿势，从而在相同和不同数据集基准测试中取得了显著提升。

    Jul, 2023

  • 三维人体姿态估计几何感知表示的弱监督发现

    本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

    Mar, 2019