ShapeBoost:基于零件参数化和保留服装增强的人体形状估计加强
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
该研究综述了人体形状和服装估计领域的重要工作,主要关注人体形状估计、时尚生成、关键点检测和属性识别四个方面,并讨论了最新发展、优点、局限以及方法和结果的定性差异,旨在提供对该领域的全面理解并激励未来的研究。
Feb, 2024
我们提出了一个新的框架来增强全身姿势和形状估计的鲁棒性,其中包括三个模块以从三个角度解决上述挑战:1)定位模块,2)对比特征提取模块,3)像素对齐模块,并通过全面实验证明了该框架在身体、手、脸和全身基准测试上的有效性。
Dec, 2023
本文提出了一种基于学习的模型,利用少量单目视频帧 (1-8 帧) 从移动的人中推断出其个性化的 3D 形状,可在不到 10 秒内达到 5mm 的重建精度。该模型学习预测一个统计体型模型的参数和实例化偏移量,同时加入衣服和头发的形状,具有快速和准确的预测,这得益于其对 T-pose 空间的预测和从上往下和从下往上两个视图预测的结合。该模型仅基于合成的 3D 数据进行学习,可将可变数量的帧作为输入,即使仅有一张图像,也能以 6mm 的精度重建形状。3 个不同数据集的结果表明了本方法的有效性和准确性。
Mar, 2019
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
通过采集互联网上的时尚模特图片和一小部分人体测量数据,以及用于各种三维身体网格的语言形状属性,我们训练了一种名为 SHAPY 的神经网络,该模型可从 RGB 图像中回归出三维人物的姿态以及形状。在新的 HBW 数据集上进行测试,SHAPY 在三维人体形状估计任务上表现出色,明显优于现有技术。
Jun, 2022
在本研究中,我们定义和研究了一个新的 Cloth2Body 问题,其目标是从 2D 服装图像生成 3D 人体网格。与现有的人体网格恢复问题不同,Cloth2Body 需要解决输入的局部观察和输出的高度多样性带来的新挑战。我们提出了一个端到端的框架,从 2D 服装图像准确估计参数化为姿势和形状的 3D 体网格,并通过实验结果证明该框架达到了最先进的性能,在对齐服装的同时能够有效恢复自然而多样化的 3D 人体网格。
Sep, 2023
本文提出了 Shape of You (SoY) 方法,旨在提高基于视觉的服装推荐系统中 3D 人体形状估计的精度。我们提出了两种损失函数和一种测试时间优化程序,可以轻松集成到参数化 3D 人体重建管道中,并在具有挑战性的 SSP-3D 数据集上将性能提高了 17.7%,在多样化人体类型方面的具有实际应用前景的更准确的 3D 形状估计系统迈出了一步。
Apr, 2023