論文の概要: PaMIR: Parametric Model-Conditioned Implicit Representation for
Image-based Human Reconstruction
- arxiv url: http://arxiv.org/abs/2007.03858v2
- Date: Tue, 15 Dec 2020 12:12:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 13:16:35.427456
- Title: PaMIR: Parametric Model-Conditioned Implicit Representation for
Image-based Human Reconstruction
- Title（参考訳）: PaMIR:画像に基づく人体再構成のためのパラメトリックモデル記述型暗示表現
- Authors: Zerong Zheng and Tao Yu and Yebin Liu and Qionghai Dai
- Abstract要約: 本研究では,パラメトリックボディモデルと自由形深部暗黙関数を組み合わせたパラメトリックモデル記述型暗黙表現(PaMIR)を提案する。
本手法は, 挑戦的なポーズや衣料品のタイプにおいて, 画像に基づく3次元再構築のための最先端性能を実現する。
- 参考スコア（独自算出の注目度）: 67.08350202974434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling 3D humans accurately and robustly from a single image is very
challenging, and the key for such an ill-posed problem is the 3D representation
of the human models. To overcome the limitations of regular 3D representations,
we propose Parametric Model-Conditioned Implicit Representation (PaMIR), which
combines the parametric body model with the free-form deep implicit function.
In our PaMIR-based reconstruction framework, a novel deep neural network is
proposed to regularize the free-form deep implicit function using the semantic
features of the parametric model, which improves the generalization ability
under the scenarios of challenging poses and various clothing topologies.
Moreover, a novel depth-ambiguity-aware training loss is further integrated to
resolve depth ambiguities and enable successful surface detail reconstruction
with imperfect body reference. Finally, we propose a body reference
optimization method to improve the parametric model estimation accuracy and to
enhance the consistency between the parametric model and the implicit function.
With the PaMIR representation, our framework can be easily extended to
multi-image input scenarios without the need of multi-camera calibration and
pose synchronization. Experimental results demonstrate that our method achieves
state-of-the-art performance for image-based 3D human reconstruction in the
cases of challenging poses and clothing types.
- Abstract（参考訳）: 一つの画像から3dモデルを正確かつロバストにモデル化することは非常に困難であり、そのような不適切な問題の鍵は3d表現である。
通常の3次元表現の限界を克服するために,パラメトリックボディモデルと自由形深部暗黙関数を組み合わせたPaMIR(Parametric Model-Conditioned Implicit Representation)を提案する。
PaMIRをベースとした再構築フレームワークでは,パラメトリックモデルのセマンティックな特徴を用いて,自由形式の深い暗黙関数を正規化するための新しいディープニューラルネットワークが提案されている。
さらに、深度あいまいを解消し、不完全なボディ参照による表面詳細再構築を成功させるために、新しい深度あいまいさ対応トレーニング損失をさらに統合する。
最後に,パラメトリックモデル推定精度を向上し,パラメトリックモデルと暗黙関数との一貫性を高めるためのボディーリファレンス最適化手法を提案する。
pamir表現を使えば,マルチカメラキャリブレーションやポーズ同期を必要とせずに,マルチイメージ入力シナリオに容易に拡張できる。
提案手法は,ポーズや衣服のタイプに挑戦する場合に,画像に基づく3次元人体再構成の最先端性能を実現することが実証された。
関連論文リスト
- Towards Robust and Expressive Whole-body Human Pose and Shape Estimation [51.457517178632756]
全体のポーズと形状の推定は、単眼画像から人体全体の異なる振る舞いを共同で予測することを目的としている。
既存の手法では、既存のシナリオの複雑さの下で、しばしば劣化したパフォーマンスを示す。
全身のポーズと形状推定の堅牢性を高める新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-12-14T08:17:42Z) - HAvatar: High-fidelity Head Avatar via Facial Model Conditioned Neural
Radiance Field [44.848368616444446]
我々は,NeRFの表現性とパラメトリックテンプレートからの事前情報を統合する,新しいハイブリッド・明示的3次元表現,顔モデル条件付きニューラルラジアンス場を導入する。
画像から画像への変換ネットワークを用いた全体的なGANアーキテクチャを採用することにより,動的頭部外観の高分解能,現実的,かつ一貫した合成を実現する。
論文 参考訳（メタデータ） (2023-09-29T10:45:22Z) - FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。
本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
論文 参考訳（メタデータ） (2023-08-10T17:55:02Z) - MA-NeRF: Motion-Assisted Neural Radiance Fields for Face Synthesis from
Sparse Images [21.811067296567252]
本研究では,高忠実度乾燥可能な顔アバターを再構成し,目に見えない表情を処理できる新しいフレームワークを提案する。
実装の核となるのは、構造化変位特徴と意味認識学習モジュールです。
我々の手法は現在の最先端技術よりもはるかに優れた結果が得られる。
論文 参考訳（メタデータ） (2023-06-17T13:49:56Z) - A Probabilistic Attention Model with Occlusion-aware Texture Regression
for 3D Hand Reconstruction from a Single RGB Image [5.725477071353354]
深層学習のアプローチは、1枚のRGB画像から3Dの手の再構築に有望な結果を示している。
本稿では,モデルに基づくアプローチの堅牢性を実現するための新しい確率モデルを提案する。
本稿では,教師付きシナリオと弱教師付きシナリオの両方において,提案する確率モデルの柔軟性を実証する。
論文 参考訳（メタデータ） (2023-04-27T16:02:32Z) - ASM: Adaptive Skinning Model for High-Quality 3D Face Modeling [11.885382595302751]
マルチビュー・アンキャリブレーション画像による再構成では,キャパシティがより高められた新しいモデルが要求される。
適応スキニングモデル (Adaptive Skinning Model, ASM) を提案する。
本研究は,パラメトリック顔モデル研究の新たな方向性を開拓し,多視点再構成の今後の研究を促進するものである。
論文 参考訳（メタデータ） (2023-04-19T04:55:28Z) - Adversarial Parametric Pose Prior [106.12437086990853]
我々は、SMPLパラメータを現実的なポーズを生成する値に制限する事前学習を行う。
得られた先行学習は実データ分布の多様性をカバーし、2次元キーポイントからの3次元再構成の最適化を容易にし、画像からの回帰に使用する場合のポーズ推定精度を向上することを示す。
論文 参考訳（メタデータ） (2021-12-08T10:05:32Z) - LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human
Bodies [78.17425779503047]
本稿では,人体に対する新しい暗黙の表現法を提案する。
完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。
我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
論文 参考訳（メタデータ） (2021-11-30T04:10:57Z) - Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。
我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。
我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
論文 参考訳（メタデータ） (2020-08-16T13:38:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。