May, 2023

通过对抗训练的分解人体动作先验用于视频姿态估计

PDF
TL;DR通过将运动先验以对抗的方式整合进来，本文针对神经网络模型在人体姿态回归中要求对身体运动先验的作用进行了探索和研究，并证明了该算法在 3D 领域中具有较高的鲁棒性和准确性。
human posevideoneural networkmotion prior3d fields
发现论文，激发创造
  • PACE：野外视频中人体和摄像机运动的估计

    通过结合人体运动先验知识和场景特征，提出了一种估计全局场景下人体运动的联合优化框架，该方法在人体和相机运动估计方面相较于现有方法有显著的改进。

    Oct, 2023

  • 带骨骼姿态分解的考虑解剖学的三维人体姿态估计

    本研究提出了一种新的方法来进行视频中的 3D 人体姿势估计。在此方法中，作者从人类骨骼解剖学中获得灵感，将任务分解为骨方向预测和骨长度预测两个子任务，以从全局信息中进行高准确性的骨长度预测。作者进一步提出了全卷积传播体系结构和新型关节位移损失，用于预测不同骨头的方向，有效地提高了模型性能。最后，作者引入了隐式关注机制，将 2D 关键点可见性分数作为额外指导加入模型，显著减少了许多具有深度模糊的挑战性姿势。经过全面的评估，证实该模型在 Human3.6M 和 MPI-INF-3DHP 数据集上的效果优于之前的最佳结果。

    Feb, 2020

  • 利用视频中的运动先验来改善人体分割

    应用深度学习的卷积神经网络，结合运动先验信息，通过弱监督主动学习方法对图像中的人体进行分割，同时采用领域自适应方法提高了算法的性能。

    Jul, 2018

  • Motion-DVAE: 快速人体运动去噪的无监督学习

    Motion-DVAE 是一种用于捕捉人类动作的短期依赖项的动作先验，与 Motion-DVAE 配套使用的是一种无监督学习去噪方法来进行实时三维人体姿势估计。

    Jun, 2023

  • HMP：从视频中估计姿态和形状的手部运动先验

    通过开发一种特定于手部的生成运动先验，并采用潜在优化方法，在视频中实现了 3D 手部运动估计，提高了性能，并在遮挡情况下产生稳定、时间一致的结果，超过了传统的单帧方法。

    Dec, 2023

  • 从运动补偿序列中直接预测 3D 身体姿态

    本文提出了一种高效利用视频序列中连续帧运动信息来恢复人的三维姿态的方法，并通过回归边界框的时空体到中心帧的 3D 姿势来改进现有方法。同时，为了最大限度地发挥这种方法的潜力，本文阐明必须补偿连续帧中的运动，以使被测量者保持中心，从而能够有效地消除歧义并在 Human3.6m、HumanEva 和 KTH Multiview Football 3D 人体姿态估计基准测试中取得显著改进。

    Nov, 2015

  • 基于运动指导的视频中三维姿态估计

    介绍了一种新的损失函数 motion loss，结合了一种有效表现关键点运动方式的编码方式 pairwise motion encoding 和一种新的图卷积神经网络结构 U-shaped GCN (UGCN)，并在 Human3.6M 和 MPI-INF-3DHP 两个数据集上实验证明它的有效性跑赢了其他顶尖的模型，并且还可以顺利适用于产生平滑的 3D 对应点序列和恢复对应点的运动。

    Apr, 2020

  • 使用 VAEs 的任务通用分层人体动作先验

    本研究提出了一种新的深度生成模型，利用组合的全局和局部潜空间进行粗细粒度建模，独立于特定任务地学习复杂的人体运动，并在视频中基于人体姿态估计、运动捕捉系统中模拟完整的身体运动并进行可信的关键帧动画辅助。该通用的人体运动模型可以修复损坏的人体动画，从不完整的观察中生成完整的运动。

    Jun, 2021

  • 从结构和动作学习 3D 人体姿势

    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

  • 从多视角图像学习单目三维人体姿态估计

    本文提出了一种通过多视角的训练，使用一致性约束联合监督损失及惩罚项实现替代大量标注的 3D 人体姿态估计方法，并提出了一种联合估计相机姿态及人体姿态的方法，在 3D 人体姿态估计方面取得了良好的表现。

    Mar, 2018