人体形状与服装估计
本研究提出了一种新方法,利用一种姿态不变形状空间对人体形状变化进行建模,结合基于骨骼的变形对姿态变化进行建模,用于估计着装人体扫描的静态和运动序列中的身体形状和姿态,改进了现有统计模型的拟合准确性。
Dec, 2013
收集了一个新的数据集,使用多张照片的方法来预测用户的体型并构建一个有条件的衣服类别模型。研究发现,衣服类别与体型具有相关性,并提出了一个新的基于多视角预测的方法来解决这个问题。
Jul, 2018
提出了一种模块化和简单的高度标准化方案,通过将主体骨架重定位到所需位置,标准化比例并解脱两个变量之间的关系,显著提高了部分身体测量估计。此方法在多视图设置下也具有适用性。
Apr, 2024
使用 RGB 图像进行三维人体形状和姿势估计是一个具有挑战性的问题,具有增强 / 虚拟现实、医疗保健和健身技术以及虚拟零售等潜在应用。本研究调查了并比较了当代舞蹈和表演艺术领域中的三维人体形状和姿势估计方法,重点关注人体姿势和着装、摄像机视角、光照条件和背景条件。我们证明了当舞者进行当代舞蹈表演时,多帧方法(如 PHALP)比单帧方法更能提供更好的姿势估计结果。
Jan, 2024
提出了 ShapeBoost,一种新的人体形状恢复框架,通过基于部分的参数化技术实现了对不同身形和穿着不同类型衣物的人群进行像素级对齐,提供了在各种身体形状和穿着情况下优于其他现有方法的实验结果。
Mar, 2024
该论文探讨了人体建模和姿态估计的交叉领域,涉及计算机视觉、计算机图形学和机器学习,包括算法、方法学和实际应用,以及相关的传感器技术、2D 和 3D 人体建模方法学的挑战和进展,常用数据集和度量标准,以及未来的研究方向。该论文的主要贡献在于对 2D 和 3D 领域最先进的人体姿态估计算法的全面比较,旨在增进对 3D 人体建模和姿态估计的理解,并提供当前最先进成果、挑战和未来前景的见解。
Jun, 2024