Nov, 2023

增强时空上下文：单目视频中具有时态一致性的稳健3D人体动作恢复

HTML
PDF
TL;DR提出了一种从单眼视频中恢复时间一致的3D人体姿势、形状和动作的方法，通过使用具有身体感知特征表示和独立的逐帧姿势和相机初始化，结合自相似性和自注意力等技术进行时空特征聚合，该方法提供了增强的时空上下文，可在各种复杂场景下得到更准确的姿势估计和形状重建。
发现论文，激发创造
  • 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

  • 野外单目全身捕捉：头、身体和手势的姿态捕捉

    本文提出了一种从单目视角输入捕获目标人物3D运动的方法，利用3D可变形网格模型重建运动，使用3D部分方向场对所有身体部位的3D方向进行编码，在训练集和性能评估方面表现良好，并在各种挑战性的野外视频上演示了总体运动捕捉的结果。

    Dec, 2018

  • 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

  • 单目视频中全三维网格人体姿态的时间连续恢复

    该研究论文提出了一种基于深度学习和递归神经网络的方法，采用含有3D注释的合成单眼视频来恢复完整的3D人体姿势，并在定量和定性分析中证明了该方法的有效性。

    Jun, 2019

  • 使用具有显式遮挡训练的时空网络进行3D人体姿势估计

    借助多尺度空间特征和多步幅时间卷积网络，在设计A的基础上，B通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性，并利用2D视频数据注入半监督学习能力。实验证实了该方法的有效性，并且消融研究表明我们网络的单个子模块的优势。

    Apr, 2020

  • 从视频获取时间上连贯的3D人体姿态和形状的非静态特征研究

    该研究提出了一种基于视频的 3D 人体运动重建系统，该系统有效聚焦于过去和未来帧的时间信息，从而更好地解决了单张图像方法的时间不一致性问题。通过在帧间进行时间一致性的处理，该系统达到了更好的运动姿态和形状精度。

    Nov, 2020

  • 捕捉运动中的人类：从单目视频中估计时间关注的三维人体姿态和形状

    该研究提出了一种运动姿势和形状网络（MPS-Net）来有效地捕捉视频中的运动并从中估计准确的和时间连续的三维人体姿态和形状。MPS-Net利用运动连续性注意力（MoCA）模块和分层注意特征融合（HAFI）模块以提高运动姿势的精度并使用更少的网络参数。

    Mar, 2022

  • 基于时空趋势推理的人体姿态和形状估计技术

    本文提出了一个 SRT 网络，通过时空趋势推理设计了一个时间趋势推理（TTR）模块和一个空间趋势增强（STE）模块，来提高人体姿态估计的准确性。通过实验在公共数据集上验证，该模型与同类算法性能相当。

    Oct, 2022

  • 使用独立标记捕捉每个关节的动作：三维人体姿态和形状估计

    提出一种基于Transformer的模型，使用三种独立的tokens学习人体的3D关节旋转，身体形状和位置信息，进而估算SMPL参数，从而解决单目图像或视频中3D人体姿态和形状估计的困难问题，并具有较好性能。

    Mar, 2023

  • 基于时间感知的视频人体姿态与形状恢复的改进

    通过提出一个 Temporal-Aware Refining Network (TAR)，本文探索了对于精确的姿势和形状恢复而言的全局和局部图像特征的时间感知，实现了比现有方法更准确的结果。

    Nov, 2023