Dec, 2023

ManiPose：约束流形多假设的三维人体姿态估计

PDF
TL;DR单目三维人体姿态估计是一个具有固有歧义的任务，我们提出了 ManiPose，一种新颖的多假设模型，通过在人体姿势流形内约束模型，提供多组候选三维姿势，并达到更强一致性，从而超越现有的姿势一致性性能。
monocular 3d human pose estimationregression modelsambiiguitymaniposepose consistency
发现论文，激发创造
  • UniHPE：通过对比学习实现统一的人体姿势估计

    本文提出了 UniHPE，它是一个统一的人体姿势估计流程，通过同一流程中对所有三种模态进行特征对齐，即 2D 人体姿势估计、基于 lifting 和基于图像的 3D 人体姿势估计。我们提出了一种新的基于奇异值的对比学习损失函数来同时对齐多个模态，从而提高性能。评估结果显示 UniHPE 在 Human3.6M 数据集上的 MPJPE 为 50.5mm，3DPW 数据集上的 PAMPJPE 为 51.6mm，显示出巨大的潜力来推动计算机视觉领域并贡献于各种应用。

    Nov, 2023

  • 无监督从 2D 姿势中重建 3D 人体姿态交互

    研究人员提出了一种无监督多人二维至三维人体姿势估计方法，通过对相机高度角度进行预测，解决了单眼图像中透视模糊问题，实现了精确的人体姿势三维重建，并在 CHI3D 数据集上展示了结果和量化评估。

    Sep, 2023

  • 使用混合密度网络生成多个假设的三维人体姿态估计

    本文提出了一种基于多模式混合密度网络的方法，可以从 2D 关节生成多个可行的 3D 人体姿势假设。实验表明，我们的方法具有先进的性能，并且可以用于针对 2D-3D 反问题的多解决方案。

    Apr, 2019

  • 自动驾驶中的弱监督多模态 3D 人体姿势估计

    一篇研究在自动驾驶汽车中进行弱监督的 3D 人体姿势估计的论文，通过相机和 LiDAR 数据的高级传感器融合实现了简单而高效的方法，通过使用现成的 2D 关节提取器和从 LiDAR 到图像的投影生成虚拟标签进行训练，在弱监督和监督学习设置中均取得了优于现有方法的结果。

    Jul, 2023

  • 适应性噪声采样概率恢复的三维人体姿势估计

    基于弱监督方法，提出了适用于轻量级单假设模型的概率恢复三维人体姿势评估框架（PRPose），通过逆向映射隐藏概率分布，采用自适应噪声采样策略生成合理的多假设样本，从而解决了 2D 姿势检测误差和 2D 到 3D 非正常问题的限制，实验证明了 PRPose 的有效性和高效性。

    May, 2024

  • MHFormer：多假设变压器用于三维人体姿态估计

    本文提出了一种名为 Multi-Hypothesis Transformer (MHFormer) 的模型，旨在通过学习多个合理的姿势假设的空时表示，解决单目视频中的 3D 人体姿态估计问题，并在两个具有挑战性的数据集上取得了最新的最优结果。

    Nov, 2021

  • EPOCH: 估计相机和人类的三维姿态

    单目人体姿态估计（HPE）是从相机捕捉的单个 2D 图像中确定人体关节的 3D 位置。本研究提出了一种 EPOCH 框架，利用完整的透视相机模型进行姿态估计，并通过无监督学习得到比现有方法更好的泛化性能和最先进的结果。

    Jun, 2024

  • 生成与 2D 关键点检测一致的多样化的人体 3D 姿态假设

    本研究提出一种方法，旨在生成多个多样且有效的人体姿态假设，通过使用一种新的生成模型，可以产生整合部分的姿态，该姿态是受解剖约束的三维姿态空间。我们的模型可以应用于各种可能的人类三维姿态，并通过移除模型偏见来帮助生成更多样化的三维姿态假设。

    Feb, 2017

  • 弱监督生成式网络用于多个 3D 人体姿势假设

    本文提出了一种使用弱监督深度生成网络解决逆问题的方法，该网络设计了一个提议分布来逼近未知的多模态目标后验分布，并通过 KL 散度最小化实现近似，并使用平均漂移算法确定最可行的解决方案。实验结果显示，该方法能够生成多个可行的假设，获得了与现有弱监督方法相比的最新结果。

    Aug, 2020

  • 自动驾驶中基于 2D 弱监督的多模态 3D 人体姿态估计

    本文提出了一种在自动驾驶方案中的多模态方法，使用 2D RGB 图像的弱监督进行 3D 人体姿势估计（HPE），进而在 Waymo 开放数据集中取得了比仅基于相机和 LiDAR 的模型更好的效果。

    Dec, 2021