基于单张图像的人体形状分类
收集了一个新的数据集,使用多张照片的方法来预测用户的体型并构建一个有条件的衣服类别模型。研究发现,衣服类别与体型具有相关性,并提出了一个新的基于多视角预测的方法来解决这个问题。
Jul, 2018
通过采集互联网上的时尚模特图片和一小部分人体测量数据,以及用于各种三维身体网格的语言形状属性,我们训练了一种名为 SHAPY 的神经网络,该模型可从 RGB 图像中回归出三维人物的姿态以及形状。在新的 HBW 数据集上进行测试,SHAPY 在三维人体形状估计任务上表现出色,明显优于现有技术。
Jun, 2022
提出了一种模块化和简单的高度标准化方案,通过将主体骨架重定位到所需位置,标准化比例并解脱两个变量之间的关系,显著提高了部分身体测量估计。此方法在多视图设置下也具有适用性。
Apr, 2024
本研究提出了从单张照片推断出详细的全身人体形状的简单而有效的方法,其将形状回归转化为图像转换问题,并使用纹理图来估计细节的法线和位移图,能够将细节添加到低分辨率的光滑身体模型中,尽管仅使用合成数据进行训练,但该模型在真实世界的照片上表现良好。
Apr, 2019
该研究综述了人体形状和服装估计领域的重要工作,主要关注人体形状估计、时尚生成、关键点检测和属性识别四个方面,并讨论了最新发展、优点、局限以及方法和结果的定性差异,旨在提供对该领域的全面理解并激励未来的研究。
Feb, 2024
本篇研究提出了一种名为 BodyNet 的神经网络,通过直接推断体积棱柿,从而预测自然图像中的三维人体形状,同时结合三维损失和多视角重投影损失以及适当的监督,实现了性能的提升;通过将 SMPL 模型应用于网络输出,并在 SURREAL 和 Unite the People 数据集上展示了最先进的结果,证明了本方法的有效性。
Apr, 2018
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
本论文主要研究从单个图像中恢复人的高度,采用机器学习模型结合人体解剖学的相关特征进行估计,构建了一个新的数据集,通过人脸识别和分配一致性将明确的高度标签扩展到更多的图像,并获得了 5.56cm 的平均绝对误差。
May, 2018
该论文提出了一种新的框架,利用深度神经网络和 Hierarchical Mesh Deformation 技术综合使用人体关节、轮廓和像素的着色信息,从而在单张图片中精确恢复人体形状。实验证明,我们的方法在 2D IoU 计算和 3D 距离计算的准确度上都优于现有的其他方法。
Apr, 2019