神经姿势表示学习用于生成和转移非刚性物体姿势

Jun, 2024

神经姿势表示学习用于生成和转移非刚性物体姿势

Neural Pose Representation Learning for Generating and Transferring Non-Rigid Object Poses

Seungwoo Yoo, Juil Koo, Kyeongmin Yeo, Minhyuk Sung

TL;DR我们提出了一种新的学习三维可变形物体姿态表示的方法，该方法能够在物体的不同标识和姿态之间进行解耦，并通过单一对象的变化实现多样化的姿态。通过设计姿态提取器和姿态应用器来实现姿态解耦、生成模型的紧凑性和可转移性，并利用隐式姿态应用器来提取姿态信息和实现目标对象的形状变化。通过实验验证了姿态转移和生成多样性变形形状的最新性能。

Abstract

We propose a novel method for learning representations of poses for 3D deformable objects, which specializes in 1) disentangling pose information from the object's identity, 2) facilitating the learning of pose variations, and 3) transferring pose information to other object identities. Based on these properties, our method enables the generation of

pose representation 3d deformable objects pose disentanglement pose transfer generative models

发现论文，激发创造

LatentHuman：人体形态和姿势分离的潜在表征

本文提出了一种基于运动学模型的神经隐式表示方法，可以同时处理人体的形状和姿态，实现了更好的三维重建效果和任务控制能力。

Nov, 2021

3D 网格形状和姿态的无监督分离

本文提出了一种简单但有效的无监督学习方法，结合自一致性和交叉一致性约束，并将尽可能刚性形变集成到训练循环中，以学习体态模型中的形状和姿态空间，并演示了学习表示的实用性，包括姿势转移和形状检索，实验证明了该方法的通用性。

Jul, 2020

深层运动姿态回归

本文介绍了一种使用动力学模型来辅助深度学习神经网络进行关节式物体姿态估计的方法，并在玩具和人类 3D 姿势问题的数据实验中证明了该方法的有效性。

Sep, 2016

基于重建的位姿不变人脸识别解耦

本文探讨了一种基于深度神经网络的人脸识别方法，针对面部不同位置的姿态变化，在训练数据相对不足的情况下，通过生成非正面视图，提高了数据多样性，并利用特征重建度量学习来显式地分离身份和姿态，实现了不变性和识别准确性。

Feb, 2017

通过预测不同视角来学习姿势特定表示

通过无监督学习方法，该研究利用已知物体姿态和形状参数，学习表示关节姿势的具体特征，并仅需要第二视角监督，在联合有标记和无标记数据的条件下，显著提高了关节姿势估计的性能。

Apr, 2018

ObPose：利用姿态进行三维物体中心场景推理

ObPose 是一个无监督的对象中心推理生成模型，可以从 RGB-D 场景中学习三维结构的潜在表示，并通过将对象位置和外观分开编码来获得卓越的性能。

Jun, 2022

三维人体姿态估计几何感知表示的弱监督发现

本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

Mar, 2019

通过旋转你的人脸进行表征学习

本文提出了一种基于 DR-GAN 的面部识别方法，通过生成对抗网络的编码器 - 解码器结构，学习一种表征，该表征可以生成合成的面部图像和具有逆变性的面部姿势识别，同时该表征与其他具有 pose 表现的人脸变化明确地分离，因此在控制场景和实际场景中比当前技术更为出色。

May, 2017

基于对应学习和网格细化的三维姿态转移

该论文提出了一种对人类和动物网格控制姿势的方法，该方法通过优化传输问题建立源网格和目标网格之间的对应关系，并使用弹性实例归一化的条件归一化层来提高生成网格的质量。

Sep, 2021

不监督 3D 人体姿态表示：景象和姿态分离

本文提出了一种全新的 Siamese 去噪自编码器来学习 3D 姿势表示，通过分离人类骨架数据的姿势和视图特征来进行全面无监督的学习，并借助序列双向递归网络（SeBiReNet）来考虑运动学和几何依赖性，实现了在姿势去噪和无监督动作识别等问题上的最佳表现。

Jul, 2020