单张图像人体网格重建误差估计
本文提出了一种端到端可训练模型,以单个 RGB 图像感知 3D 场景,估计相机姿态和室内布局,并重建人体和物体网格。通过对所有估计方面施加全面而复杂的损失,我们证明了我们的模型优于现有的人体网格方法和室内场景重建方法。据我们所知,这是第一个在网格级别输出对象和人体预测,并对场景和人体姿态进行联合优化的模型。
Dec, 2020
本研究提出了一种基于 DeepCut 和 SMPL 模型的 3D 姿态估计方法,能够从单张无约束的图像中自动预测人体的姿态和形状,实现了对人体结构和运动的精确推断。
Jul, 2016
针对人体姿态和形状估计中的遮挡问题,特别是人物之间的遮挡问题,本文提出了一种新的框架,通过合成 occlusion-aware 阴影和 2D 关键点方便估计 SMPL 姿态和形状参数,使用三维神经网格渲染器实现了实时新学习,已在现有数据集中表现出优越性能。
Aug, 2021
本篇文章调查了单目三维人体网格恢复的相关任务,包括身体模型,恢复框架 / 训练目标,数据集评估指标和评测结果,并从优势和劣势方面深入分析了两种范式:优化和回归。作者希望激励研究人员的兴趣,促进该领域的研究。
Mar, 2022
使用两种解剖启发的损失函数和弱监督学习框架,结合大规模野外 2D 和室内 / 合成 3D 数据共同学习人体姿态估计。还提出了一个简单的时间网络来调和预测的姿态序列,并通过损失表面可视化和敏感性分析仔细分析了所提出的贡献的工作机制。我们的完整流程在 Human3.6M 和 MPI-INF-3DHP 上分别提高了 11.8%和 12%,并在普通图形卡上以 30 FPS 运行。
Nov, 2017
本论文提出了一种新的自我监督方法,通过训练不带标签的典型姿势图像数据集和未成对的 2D 姿势数据,从而实现了从单幅图像预测 3D 人体姿势的网络映射,可用于快速应用于其他人工结构(例如动物)的姿态估计。
Apr, 2023
提出了一种用于 3D 姿势估计的低成本、无侵入感的多传感器算法,基于 OpenPose 2D 姿势和机器人轨迹,使用粒子滤波器,技术可应用于 PHRI 领域,性能比使用 OpenPose 或机器人轨迹的单一传感器人体姿势估计更好,以及在使用 RULA 评估工具上的姿势评估表现更好。
Aug, 2022
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
通过对场景信息和先前知识进行建模,我们提出了一种新的方法来从 RGB-D 图像中重建带有遮挡的 3D 人体,通过建模可能的姿势空间并使用深度数据约束可见身体部分,我们的方法在 PROX 数据集上的实验结果表明,与其他方法相比,能够产生更准确和合理的结果。
Oct, 2023
通过使用空时图形来表示变形的人体,并引入一个细化网络,该网络在此图形上执行图形卷积以输出 3D 姿势,以确保对遮挡鲁棒性,通过使用一组二进制掩码训练此网络,并模拟某些关节在一段时间内可隐藏,并训练网络对此免疫,证明了该方法相对于从单摄像机序列推断姿势的最先进技术的有效性。
Feb, 2024