Dec, 2023

PointVoxel: 多视角多模态 3D 人体姿态估计的简单有效流程

PDF
TL;DR提出了一种名为 PointVoxel 的流程，利用多视图 RGB 和 pointcloud 输入融合来获取 3D 人体姿势，并通过合成数据集生成器和无监督域自适应策略来克服在困难场景中标注 3D 人体姿势标签的挑战，展现了有希望的结果。
3d human posemulti-view imagespointcloudvolumetric representationunsupervised domain adaptation
发现论文，激发创造
  • MVX-Net: 基于多模态 VoxcelNet 的三维物体检测

    该研究提出了两种简单而有效的融合 RGB 和点云模态的早期融合方法，称为 PointFusion 和 VoxelFusion，并利用 VoxelNet 结构来结合这些模态，从而实现与最先进的多模态算法竞争力相当的表现，其能够在 KITTI 基准测试的五个车顶俯视图和 3D 检测类别中实现前两名的排名。

    Apr, 2019

  • V2V-PoseNet：从单深度图中准确预测三维手部和人体姿态的体素到体素预测网络

    本文提出了一种基于 3D CNN 的手部和人体姿态估计方法，通过使用立方体栅格并为每个关键点估计每个体素的可能性来将问题转化为体素到体素的预测，并克服了 2D 深度图中的透视畸变和非线性映射等缺点，实现了较高的准确性和实时性

    Nov, 2017

  • 更快的 VoxelPose：通过正交投影实时进行三维人体姿态估计

    本论文提出了 Faster VoxelPose 方法，通过在三个二维坐标平面上重投影特征体积并分别从其中估计 X、Y、Z 坐标，以解决多人三维姿态估计的计算负担过重问题。该方法可以在不需要昂贵的三维卷积神经网络的情况下，使 VoxelPose 的速度提高十倍，同时达到与最先进方法相当的准确性，显示了其在实时应用中的潜力。

    Jul, 2022

  • 单视图粗细层次三维人体姿态预测

    本研究通过对 3D 人体姿态估计表征问题的认真研究，提出了一种方法，并且对现有的最优解的表现进行了超越，在标准测试基准中相对误差降低超过 30％，该方法包括 Convolutional Network、端到端的学习模型、从粗到细的预测方案和三维体表示。

    Nov, 2016

  • 多视角非标定深度相机下的多人三维姿态估计

    利用稀疏的未校准深度相机提供的 RGBD 视频流，我们提出了一种简单的多视角深度人体姿态估计 (MVD-HPE) 管线，用于联合预测相机姿态和 3D 人体姿态，无需训练深度 3D 人体姿态回归模型。

    Jan, 2024

  • 三维人体姿态估计的整体平面预测到局部体积预测

    该论文提出了一种使用深度图进行 3D 人体姿态估计的新方法，并运用平面网络和体积网络等模型，显著提高了模型的准确性和计算效率。

    Jun, 2017

  • 多视角采集无标记 3D 人体姿态注释

    本文提出了一种基于几何驱动的方法来自动收集人体姿势预测任务的准确的三维人体姿势标注，利用多视角设置、相机设置的 3D 几何和人体身体结构的约束，将每个视图的 2D ConvNet 预测概率组合成全局最优 3D 姿态。

    Apr, 2017

  • 实现视角不变的三维人体姿势估计

    提出了一种视角不变的模型，用于从单个深度图像中估计 3D 人体姿态，该模型从一个学习的视角不变特征空间中嵌入局部区域来实现，并采用自下而上的误差反馈机制进行姿态估计，多任务的学习方法可以在噪声和遮挡的情况下选择性地预测局部姿态。通过对一个先前发布的深度数据集和一个包含 10 万个注释深度图像的新收集的人体姿态数据集的评估，实验证明该模型在正面视图上实现了竞争性性能，在替代视角上实现了最先进的性能。

    Mar, 2016

  • 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

  • 直接多视角多人三维姿态估计

    该研究提出了一种名为 MvP 的多视角姿态变换器，用于从多视角图像中估计多人的三维姿态，该方法可以直接回归多人三维姿态，并使用几种技术来提高准确性，该模型在多项指标上表现优秀。

    Nov, 2021