CVPRMar, 2023

基于结构解耦和双重敌对鉴别的半监督手部外观恢复

PDF
TL;DR该研究提出了一种基于半监督学习的框架，使用图像转换技术从含有标记的手部动作捕捉数据集（MoCap）中恢复真实纹理，实现了裸手结构和外观的分离，成功地生成了逼真的手部外观图像。
marker-based mocaphand appearance reconstructionimage-to-image translationsemi-supervised learningphoto-realistic hand appearance
发现论文，激发创造
  • 图像合成与姿态估计的手部潜变量分离

    本文提出了使用离散表示和离散变分自编码器（dVAE）来实现手部图像合成和姿态估计，并可处理交叉模态编码器和半监督学习场景。实验结果表明，dVAE 可以合成高度逼真的手部图像，同时从 RGB 图像中估计三维手部姿态并达到公开数据集上当前最优成果的识别准确性。

    Dec, 2018

  • 基于解缠表示的互信息最大化用于差分形态检测

    本文提出了一种新颖的差分形态检测框架，利用特征点和外貌解耦，在差分形态检测性能方面提供了最先进的性能，其功能是通过在特征点，外貌和 ID 领域中的距离来实现的。

    Dec, 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

  • 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

  • 基于深度不确定性学习的人脸反欺诈的双重欺骗分离生成

    本文提出了基于 Dual Spoof Disentanglement Generation (DSDG) 框架的 “反欺诈通过生成” 的方法来改善现有的人脸反欺诈数据集的不足，采用可解释分解的潜变量表征来生成大规模的成对的真实和欺诈图片，通过引入轻量级的深度不确定性模块 (DUM)，消除了由于噪声样本所导致的深度预测不准确的问题，实验结果在五个基准测试中，均取得了最优效果。

    Dec, 2021

  • 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

  • RHanDS: 用解耦的结构和风格指导来改善生成图像中的畸形手部

    通过使用条件扩散框架来改善手部结构及风格一致性问题，本文提出了一种基于扩散的手部细化框架 RHanDS，利用解耦的结构和风格引导对手部区域进行优化，评估结果显示 RHanDS 可以有效地改善手部结构和风格问题。

    Apr, 2024

  • 通过自监督分离身份和姿势实现逼真的人脸复原

    本文提出了一种新型的自我监督混合模型（DAE-GAN），它结合了两个形变自编码器及条件生成的最新进展，用于学习如何在大量未标记视频的情况下自然地再现人脸，并且在 VoxCeleb1 和 RaFD 数据集上得到了优秀的实验结果，表明了重新表演图像的优异品质和在不同身份之间转移面部动作的灵活性。

    Mar, 2020

  • 无监督基于部件的物体形状和外观解耦

    提出了一种基于无监督学习的方法，通过学习物体的不同特征，如表现和形状，来实现特征的分离和表示，并使用等变约束进行训练，适用于任意类别，并在各种任务中表现优异。

    Mar, 2019

  • 外观一致性驱动的自监督人体 Mesh 恢复

    该论文提出了一种无需成对指导下从单眼图像中推断人体姿态和形状的自我监督的人类网格恢复框架，具有较强的鲁棒性和良好的通用性。

    Aug, 2020