ECCVJul, 2022

UNIF：联合神经隐式函数进行有衣物人体建模与动画

PDF
TL;DR该研究提出一种适用于带衣物人体建模与动画的联合隐式函数 (part-based method)，包括骨架初始化和稳定分区方式以及非刚性变形算法，采用相对位置权重来定义混合权值以防止神经隐式函数中的反向 LBS 常规化问题。相关实验表明，该方法对 CAPE 和 ClothSeq 数据集的还原和动画具有显著的效果。
part-based methodcloth reconstructionimplicit functionsmotion partitioningnon-rigid deformation
发现论文，激发创造
  • SIFU：用于现实世界可用的侧视条件隐式函数的服装人体重建

    SIFU (Side-view Conditioned Implicit Function for Real-world Usable Clothed Human Reconstruction) combines a Side-view Decoupling Transformer with a 3D Consistent Texture Refinement pipeline to accurately reconstruct 3D models of clothed humans, improve texture prediction, and surpass state-of-the-art methods.

    Dec, 2023

  • 基于分块骨架的统一遮蔽自编码器用于动作合成

    UNIMASK-M 模型是一种任务独立模型，有效地解决了预测未来动作、填充已知关键动作之间的中间姿势等挑战，通过将人体姿势分解为身体部位并利用存在于人体运动中的时空关系，将各种面向姿势的运动综合任务重新定义为使用不同屏蔽模式的重构问题。实验结果表明，该模型在 Human3.6M 数据集上成功预测了人体运动，并在 LaFAN1 数据集上实现了时长较长的过渡期内的运动插值的最新成果。

    Aug, 2023

  • 将隐式函数学习与参数模型相结合的三维人体重建

    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

  • ICON: 从法向量中获取隐式衣着人

    该论文介绍了一种名为 ICON 的方法，该方法使用局部特征来进行 3D 人体建模，可以从不规则的 2D 图像中生成逼真且可动态的人体模型，并可以创建个性化且自然的动态变形的角色。

    Dec, 2021

  • UniFolding：面向高效样本利用、可扩展和通用的机器人服装折叠

    该研究探讨了 UniFolding 的开发，它是一个高效、可扩展、具有广泛适用性的机器人系统，用于展开和折叠各种衣物。UniFolding 利用提出的 UFONet 神经网络将展开和折叠决策整合到一个单一的策略模型中，该模型适用于不同类型和状态的服装。

    Nov, 2023

  • UNIK：一种用于实际场景的基于骨架的动作识别统一框架

    该研究介绍了一种基于骨架数据的动作识别方法 UNIK，通过优化依赖矩阵并使用多头注意机制，实现了对于跨数据集的泛化能力，实验表明在多个数据集上，该方法均表现出超越于现有技术的表现。

    Jul, 2021

  • Geo-PIFu：用于单视角人体重建的几何与像素对齐的隐式函数

    Geo-PIFu 是一种基于深度多层次 U-Net 结构的隐式函数的方法，通过学习隐含体素特征来从穿着衣物的人的单眼彩色图像中恢复三维网格，并通过约束模型在两个方面以提高重建效果：第一，在查询点编码中解决特征歧义；第二，在粗糙的人体形状代理中规范化高分辨率网格并鼓励全局形状规则性，实验结果表明，与竞争方法相比，Geo-PIFu 可以得到更少的形状畸变和更好的表面细节。

    Jun, 2020

  • 神经 GIF: 用于穿着人物动画的神经广义隐式函数

    利用神经广义隐函数技术（Neural-GIF），通过学习解决了利用模板方法难以处理的服装模拟问题，在非刚性形状学习中，灵活地建立了可以学习服装及软组织的复杂非刚性变形，并且可以通过学习处理 3D 扫描数据，并用于多种不同的形状设置。

    Aug, 2021

  • PIFu: 面向高分辨率衣着人体数字化的像素对齐隐式函数

    提出了一种名为 PIFu 的像素对齐隐式函数表示法，可以从单张图像中推断出高细节服装人物的 3D 表面和纹理，其精度高、内存占用小、能够处理任意拓扑，并且与输入图像的空间完全对齐。在 DeepFashion 数据集上进行实验，结果显示 PIFu 方法在单幅图像上表现出色，优于之前任何的数字化人像单张图像重建方法。

    May, 2019

  • 神经网络中用于服装碰撞处理的排斥力单位

    提出了一种新的神经网络层 —— 斥力力单位（ReFU）来解决在预测身体运动下的 3D 服装变形时服装和身体之间出现的穿插问题。该方法通过每个顶点的偏移值来解决穿插问题，实验结果显示，相比之前仅基于碰撞损失或后处理优化的方法，ReFU 能够更好地保存与减少物体间碰撞与几何细节。

    Jul, 2022