Nov, 2022

DisPositioNet：在语义图像操作中区分姿势和身份

PDF
TL;DR本文提出了一种名为 DisPositioNet 的模型，它学习了场景图中每个对象的解缠表示，可用于图像操作，能够通过概率采样生成更多样化的图像。实验结果表明，对模型的潜在流形中的特征表示进行解缠优于以往的研究。
scene graphdispositionetimage manipulationdisentangled representationprobabilistic sampling
发现论文，激发创造
  • 不监督 3D 人体姿态表示：景象和姿态分离

    本文提出了一种全新的 Siamese 去噪自编码器来学习 3D 姿势表示，通过分离人类骨架数据的姿势和视图特征来进行全面无监督的学习，并借助序列双向递归网络（SeBiReNet）来考虑运动学和几何依赖性， 实现了在姿势去噪和无监督动作识别等问题上的最佳表现。

    Jul, 2020

  • 3D 人体姿势估计中的姿势和外貌解耦的理解

    我们通过对自监督学习下三维人体姿势估计方法进行深入分析，测试了现有的分离表示学习方法从外貌信息中分离出姿势信息的程度，并发现这些方法的姿势编码包含了相当数量的外貌信息。

    Sep, 2023

  • 基于重建的位姿不变人脸识别解耦

    本文探讨了一种基于深度神经网络的人脸识别方法，针对面部不同位置的姿态变化，在训练数据相对不足的情况下，通过生成非正面视图，提高了数据多样性，并利用特征重建度量学习来显式地分离身份和姿态，实现了不变性和识别准确性。

    Feb, 2017

  • 神经姿势表示学习用于生成和转移非刚性物体姿势

    我们提出了一种新的学习三维可变形物体姿态表示的方法，该方法能够在物体的不同标识和姿态之间进行解耦，并通过单一对象的变化实现多样化的姿态。通过设计姿态提取器和姿态应用器来实现姿态解耦、生成模型的紧凑性和可转移性，并利用隐式姿态应用器来提取姿态信息和实现目标对象的形状变化。通过实验验证了姿态转移和生成多样性变形形状的最新性能。

    Jun, 2024

  • DISP6D: 可伸缩 6D 姿态估计的解耦式隐式形状和姿态学习

    该论文旨在使用自动编码器的框架来实现物体的 6D 位姿估计，通过度量学习和旋转检索等方法来提高对象类别的推广能力，最终在两个基准测试中展示了最先进的表现。

    Jul, 2021

  • 通过反向图形学进行 3D 感知场景操作

    本文提出了一种名为 3D-SDN 的深度生成模型，该模型可以生成可解释的、富有表现力的、分离的场景表示，能够支持 3D 感知场景操作，并证明该模型比其 2D 版本表现更优秀。

    Aug, 2018

  • 通过潜在空间映射的人脸身份分离

    本文提供了一种使用预训练网络来学习数据的解缠表示的方法，以实现最小的监督，同时展示了该方法在头部图像领域上成功将身份从其他面部属性中解缠并显示出较好的评估结果。

    May, 2020

  • 通过自监督静态 - 动态解缠缚，从单幅图像中查看 3D 物体

    本文提出一种无监督学习方法，通过观察未标记的多视角视频，学习将一个包含多种物体的复杂场景的单幅图像观察映射到一个三维神经场景表示，可以将该表示分解为可移动和不可移动的部分，并通过神经渲染进行自监督训练，从而实现基于对象的三维表示、新视角合成、实例分割和三维边界框预测等多种下游任务，并通过对象操作（如删除、插入和刚体运动）实现场景编辑。

    Jul, 2022

  • 3D 网格形状和姿态的无监督分离

    本文提出了一种简单但有效的无监督学习方法，结合自一致性和交叉一致性约束，并将尽可能刚性形变集成到训练循环中，以学习体态模型中的形状和姿态空间，并演示了学习表示的实用性，包括姿势转移和形状检索，实验证明了该方法的通用性。

    Jul, 2020

  • 图像合成的无监督鲁棒性潜在特征分离

    通过学习一个新的方法，深度生成模型可以不需要姿态注释便可学习到表征物体外观和姿态等属性的独立潜在特征，这些特征是可以解释的，且能够生成和修改图像。

    Oct, 2019