利用一种基于扩散的手部三维网格重建框架 ——DiffHand,利用噪声模拟中间手网格的不确定性分布进行渐进式去噪过程,设计跨模态解码器来更好地模拟手顶点的连通性,从而达到优于先前方法 5.8mm PA-MPJPE 的最优表现。
May, 2023
本文提出了一种通过从单个深度图中回归网格模型顶点坐标来恢复手部密集 3D 表面的方法,使用两阶段 2D 完全卷积网络架构和可微分算子来实现,能够通过自我监督实现更好的效果,表现优异。
Jul, 2019
本文提出了一种基于图形卷积神经网络的方法,从单个 RGB 图像中估算手的 3D 形状和姿态,并通过含 3D 地面真值的大规模合成数据集和深度图弱监督学习进行训练,结果表明可以对手的 3D 网格进行准确和合理的重建,并在与现有最先进方法的比较中达到了更高的 3D 姿态估计准确性。
Mar, 2019
利用虚拟现实、增强现实和手势控制等技术的快速发展,用户期望与计算机界面的交互更加自然和直观。本研究提出了一种网络模型,可从单目 RGB 图像中恢复相机空间中的 3D 手部网格,以实现准确和可靠的绝对空间预测。通过在大规模手部数据集 FreiHAND 上的评估,我们证明了我们提出的模型与最先进的模型具有可比性,为各种人机交互应用中的准确可靠的绝对空间预测技术的发展做出了贡献。
May, 2024
本文提出了 HAnd Mesh Recovery (HAMR) 框架,通过参数化通用 3D 手模型的形状和相对 3D 关节角度,提供了更多表达和更有用的网格表示,该框架可从单个 RGB 图像重建人手的完整 3D 网格,并具有较好的表现。
Feb, 2019
该研究论文通过提出一种新颖的 Single-to-Dual-view 适应(S2DHand)解决方案,将单视图估计器无监督地适应双视图,通过使用两个立体约束条件生成伪标签,可在不同相机设置下应用于任意双视图对,显著改善了在数据集内和数据集间的任意相机对上的表现,并超过了现有的适应方法。
Mar, 2024
该论文提出了一种新方法,利用多视角投影和学习的姿态先验,通过多视角热图来回归手部姿态,最终得出三维手势估计,实验表明该方法在难以应对的数据集上取得了优异表现。
Jun, 2016
本文通过引入一个可学习的模型 BiHand,使用一种新颖的双向设计来进行 3D 手部估计和网格恢复,该模型可以在多项评估实验中展现出高准确度,对比现有的研究成果具有一定的优越性。
Aug, 2020
本研究介绍了一种弱监督手部形状估计框架,它将非参数网格拟合与 MANO 模型在端到端的方式中集成起来,克服了准确性和可信度之间的折衷,特别是在具有挑战性的双手和手 - 物体交互场景中产生了对齐良好、高质量的 3D 网格。
该论文提出了一种基于三个阶段的新型流程,通过联合阶段、网格阶段和细化阶段,实现准确的手部姿势和形状的 3D 网格重建,从而达到较高的手 - 图像对齐精度和实时性。该流程在基准数据集上具有优越的结果,证明了其高质量的手 - 网格 / 姿态预测和图像对齐性能。
Sep, 2021