基于解耦结构的场景内多样化 3D 人体姿态生成
本研究提出了一种全自动系统,用于将 3D 场景转换成自然姿势的 3D 人体,该系统采用基于表面的 3D 人体模型 SMPL-X,利用条件变分自编码器和场景约束,可以合成与 3D 环境自然交互的真实、表现力强的 3D 人体,适用于许多应用领域,例如人体姿势估计、视频游戏和 VR / AR。
Dec, 2019
我们提出了一个用于多样化合成数据集中人体姿势的框架,该框架利用姿势生成器构造一组新颖的姿势,并使用图像翻译器改变现有合成数据集中的图像以呈现新颖的姿势,同时保持原始风格。通过实验证明,无论合成数据如何被用于训练,以及数据规模如何,利用多样化的合成数据集进行训练都比在少样本情况下使用原始合成数据集对于三个航拍人体检测基准(VisDrone,Okutama-Action 和 ICG)的准确性通常明显更好。
May, 2024
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
提出了一种基于强化学习的方法来处理 3D 室内场景中虚拟人类与环境以及物体的交互,包括生成运动模型、创新的碰撞回避奖励函数、基于标记体和半径场的交互感知奖励函数以及训练策略等多个方面,实验结果表明,该方法在运动的自然性和多样性方面都优于现有的人 - 场景交互综合框架。
May, 2023
本文介绍了一种基于结构感知流的方法,利用语义部分将人体分解,来应对人物姿态变换并生成高质量图像,网络模块能够有效地捕捉人体局部和全局语义特征,实验结果表明,该方法在生成高质量图像方面胜过其他方法。
Feb, 2021
该研究通过利用场景结构、建立人体与场景之间的 “临近关系与对象排除法” 来更好地从单眼图像中估计人体姿势,并显示引入场景约束可以显著减少 3D 关节误差和顶点误差。
Aug, 2019
本文提出了 POSA 模型,用来学习人体与场景的交互,包括接触概率和语义场景标签,并展示了其在 3D 人物自动放置和一致的单目人体姿态估计方面的改进。
Dec, 2020
通过构建一个新的人体三维模型和数据生成系统,我们构建了一个超高密度的合成数据集 UltraPose,包含大约 13 亿个对应点。与手动注释的现有 DensePose-COCO 数据集相比,我们的 UltraPose 具有超高密度的图像到表面对应关系,具有良好的高复现性和低成本。
Oct, 2021
本文针对现有智能场景下的动作合成技术存在的目标、位置预定及动作多样性不足等问题,提出了一种基于多样性因素的分层框架方法,以提高人类动作合成的自然度与多样性。实验表明,该框架在场景感知的人类动作合成中具有很好的效果。
May, 2022
本研究提出了一种名为 COINS 的生成模型,可以在高级语义规格的控制下合成 3D 场景内与虚拟人之间的自然互动,该模型通过编码统一的潜在空间和位置编码来嵌入互动语义,并可以自然地合成多个对象之间的组合互动,实验结果表明该模型可以合成具有语义控制的真实人 - 场景交互。
Jul, 2022