Oct, 2023

3DHR-Co：一个用于野外环境下 3D 人体重构任务的协作测试时间精化框架

PDF
TL;DR提出了一种协同方法的 3D 人体重建（3DHR）框架，通过合作多种 3DHR 模型和在特定设置下的测试时间适应性工作，显著提升了传统的 3DHR 骨干架构的性能，并在野外基准数据中获得了 - 34 毫米姿势误差压制，揭示了其真正的潜力。
3d human-body reconstructionparametric posein-the-wild data3dhr-copose error suppression
发现论文，激发创造
  • 人体形状和姿势的端到端恢复

    本文提出了一种名为 HMR 的端到端框架，可从单个 RGB 图像恢复人体的完整 3D 网格，通过优化关键点的后投影损失来训练模型，并使用对抗神经网络解决了模型参数欠约束的问题，最终实现了在野外图像中直接从像素预测人体姿态和形状参数的目标。

    Dec, 2017

  • 野外单目三维人体姿态估计的普适性推广

    研究人员提出了一种基于立体视觉启发的神经网络技术和几何搜索方案来生成高质量的 3D 姿势地面真实数据，使不需要专业训练模式和辅助损失函数的神经网络模型在野外图像数据中实现良好的 3D 姿态估计结果。

    Apr, 2019

  • 三维人体姿势估计的不确定性感知测试时间优化

    我们提出了一种基于不确定性的测试时间优化（UAO）框架，该框架在培训期间设计了一个有效的 2D 到 3D 网络来估计相应的 3D 姿势，同时量化每个 3D 关节的不确定性，通过优化的潜在状态来减轻过度拟合问题，并使用投影损失确保在 2D 空间中生成的姿势对高质量的优化对齐。

    Feb, 2024

  • 野外 3D 人体衣着重构

    本论文提出了一种基于 ClothWild 的 3D 服装人体重建框架，通过一种弱监督管道和 DensePose-based 损失函数解决了 training 和 in-the-wild 数据之间的大型领域差距，在公开数据集上得到了比现有技术更准确和更健壮的结果。

    Jul, 2022

  • 利用显式 2D 特征和中间 3D 表示进行野外人体姿势估计

    本文提出了一种基于卷积神经网络的深度学习方法，用于单目 3D 人体姿态估计，具有高精度和更好的野外场景泛化能力，可以联合在具有 3D 标签和仅有 2D 标签的图像数据上进行训练，并在具有挑战性的野外数据上实现了最先进的准确性。

    Apr, 2019

  • PC-HMR：从 2D 图像 / 视频中恢复 3D 人体网格的姿态校准

    本文提出了两种新颖的姿态校准框架，采用先进的 3D 姿态估计器和 HMR 序列或并行方式有效地校准人体网格，通过非刚性姿态变换，可以灵活地处理骨长变化以缓解校准后的网格中的误放置，并通过数据驱动学习和几何建模的通用和互补集成来实现，可用于各种图像 / 视频人体网格的恢复，其在多项基准测试中取得了最新的表现。

    Mar, 2021

  • 深入探索混合注释技术在野外三维人体恢复中的应用

    本文提出一种全面的方法，研究了不同类型标注成本和效果的权衡，特别是探究了在缺乏匹配的实境 3D 标注数据情况下，利用 Dense Correspondence（密集对应）实现在单一图像中实现 3D 人类重构，发现与传统 2D 标注相比，3D 标注是有效的，但 Dense Correspondence 也同样具有高效性和较低的成本。

    Aug, 2019

  • 利用时间上下文对野外三维人体姿态估计进行改进

    该研究通过基于束调整的算法从单眼视频中恢复准确的 3D 人体姿势和网格，通过在整个序列上重建人体来提供额外的约束并解决歧义问题。同时，该研究提出了一个包含超过 3 百万帧来自 Kinetics 的 YouTube 视频数据集，能够提高 3D 运动估计的准确性，该算法具有实际意义。

    May, 2019

  • 个性化 3D 人体姿势和形状优化

    我们提出使用密集对应将人体模型的初步估计与相应的图像生成关联，以便优化初步估计的过程。我们将 3D 模型的渲染结果用于预测合成图像与 RGB 图像之间的像素级 2D 位移，从而有效地整合和利用人体外观信息。通过最小化投影损失，我们可以将像素级位移转化为可见顶点级位移，并用于三维模型的优化。在 3DPW 和 RICH 上，我们通过不同的优化过程对多个模型的初步估计进行了优化，结果表明我们的方法不仅能够使图像与模型更好地对齐，还能提高三维的准确性。

    Mar, 2024

  • 在扩散框架中探索潜在的跨通道嵌入以实现准确的三维人体姿态重建

    通过探索三维坐标和二维投影之间的关联，引入一个新的跨通道嵌入框架，并利用上下文引导机制促进联合图注意力在迭代扩散过程中的传播，以提高单目三维人体姿态估计的重建精度。该方法在 Human3.6M 和 MPI-INF-3DHP 两个基准数据集上的实验证明了与最先进方法相比的显着改进。

    Jan, 2024