- ProbRadarM3F: 基于 mmWave 雷达的人体骨骼姿态估计与概率图引导的多格式特征融合
通过概率地图引导的多格式特征融合模型 ProbRadarM3F,本文提出了一种用于人体姿态估计的新型毫米波雷达特征提取框架,有效地实现了人体的 14 个关键点的估计。实验证明了该模型的有效性,其 AP 达到 69.9%,突出了研究中未被利用 - FreeMan:走向野外三维人体姿态估计的基准评测
通过使用多台智能手机捕捉来自不同角度的 40 个人在不同场景下的 11M 帧图像,我们构建了 FreeMan 这一大规模真实世界多视图数据集,以促进 3D 姿势估计的发展,并提供了全面的评估基线,凸显了 FreeMan 所带来的巨大挑战。
- ZeroAvatar: 从单张图像生成零样本 3D 头像
本研究提出了一种名为 ZeroAvatar 的方法,它使用人体先验约束来保持更复杂的图形(如人体)的几何形状以及完成不可见部位的纹理修复,并且在优化的图像到 3D 人体生成中表现出色,优于存在的一些零样本图像到 3D 方法。
- 3DHumanGAN: 面向照片般逼真的三维感知人体图像生成
本文提出了一种名为 3DHumanGAN 的生成对抗网络(GAN),用于合成全身人体的图像,具有在不同视角和姿势下一致的外观。该模型采用了 2D 卷积背骨由 3D 姿态映射网络调制的生成器架构,能够生成具有 3D 人体先验知识和一致性的逼真 - CVPRPLIKS: 一种用于 3D 人体估计的伪线性反向运动学求解器
本论文提出了一个基于模型优化的方法,称之为 PLIKS,能够通过简单的线性反演公式从单个 2D 图像中重建出人体的 3D 模型,相较于其他先进的方法,PLIKS 能够达到更高的精确度,同时也具备灵活性,可以加入其他约束条件。
- 具身之手:一体化建模和捕捉手和身体
本研究提出了一种全新的手部模型(MANO),并使用 MANO 模型,结合标准化的人体三维模型(SMPL)构建了一个全身可动态捕捉的模型(SMPL+H),实现了复杂的人体动作捕捉并保持高度真实性。
- ICCV使用三维形状、姿态和外观的循环自监督学习逼真的人体姿势重建
SPICE 是一个基于 3D 信息和自监督的图像合成框架,在没有配对的训练图像时合成人体图像的性能超过了以前的无监督方法,并与最先进的监督方法相当,同时也可以生成包含输入图像和姿势序列的时间上连续的视频。
- BodyPressure -- 从深度图像推测身体姿势和接触压力
该研究提出了一种基于深度图像推断人体与床垫之间接触压力的方法,从而预防医疗卫生中的压力伤害,该方法通过添加人体软体物理模拟合成数据进行训练,并应用了新颖的深度网络模型成功推断人体姿态,并能够在被毯子遮挡的情况下推断人体 3D 网格模型的接触 - CVPR具有密集对应的 3D 人体网格回归
本研究提出了一种无模型的 3D 人体网格估计框架 DecoMR,通过显式建立网格和局部图像特征在 UV 空间中的密集对应关系来重建人体 3D 网格,并设计了一种新的连续 UV 映射,优于现有的基于 3D 网格的方法。
- ICCV网络相互指导的半监督皮肤检测
本文提出了一种新的数据驱动方法,通过将人体作为弱语义引导,将人类皮肤检测与人体识别结合起来,构建双任务神经网络实现半监督学习,对皮肤和人体分别进行检测,并在实验中证明了该网络的有效性及优于现有最佳水平的皮肤检测能力。
- CVPR单图像中人体的视图外推
本研究提出了一种基于深度学习的新流程,通过显式估计和利用人体的几何形状来综合人体的新视图,从而显著提高姿态变化对象的性能。
- AAAI基于姿态引导的深度特征人体解析
本文提出了一种基于 segment-based parsing 管道的方法,利用人体姿势信息对人体进行语义区域划分,从而提高了部分提案的准确率,加速了推理并使得解析过程更规则化,经实验证明该方法相比现有技术具有更好的优越性能。