論文の概要: STAR: Sparse Trained Articulated Human Body Regressor

• arxiv url: http://arxiv.org/abs/2008.08535v1
• Date: Wed, 19 Aug 2020 16:27:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 12:08:32.032087
• Title: STAR: Sparse Trained Articulated Human Body Regressor
• Title（参考訳）: 英語記事 star: sparse training articulated human body regressor)
• Authors: Ahmed A. A. Osman, Timo Bolkart, Michael J. Black
• Abstract要約: SMPLよりも定量的に質的に優れているSTARを導入する。 SMPLには、グローバルブレンド形状の使用による膨大な数のパラメータがある。 SMPL因子は体型に依存した変形を示すが、実際には異なる形状の人は異なる変形をする。 SMPLの形状空間はヒトの個体数の変動を捉えるのに十分ではないことを示す。
• 参考スコア（独自算出の注目度）: 62.71047277943326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The SMPL body model is widely used for the estimation, synthesis, and analysis of 3D human pose and shape. While popular, we show that SMPL has several limitations and introduce STAR, which is quantitatively and qualitatively superior to SMPL. First, SMPL has a huge number of parameters resulting from its use of global blend shapes. These dense pose-corrective offsets relate every vertex on the mesh to all the joints in the kinematic tree, capturing spurious long-range correlations. To address this, we define per-joint pose correctives and learn the subset of mesh vertices that are influenced by each joint movement. This sparse formulation results in more realistic deformations and significantly reduces the number of model parameters to 20% of SMPL. When trained on the same data as SMPL, STAR generalizes better despite having many fewer parameters. Second, SMPL factors pose-dependent deformations from body shape while, in reality, people with different shapes deform differently. Consequently, we learn shape-dependent pose-corrective blend shapes that depend on both body pose and BMI. Third, we show that the shape space of SMPL is not rich enough to capture the variation in the human population. We address this by training STAR with an additional 10,000 scans of male and female subjects, and show that this results in better model generalization. STAR is compact, generalizes better to new bodies and is a drop-in replacement for SMPL. STAR is publicly available for research purposes at http://star.is.tue.mpg.de.
• Abstract（参考訳）: SMPLボディーモデルは3次元人間のポーズと形状の推定、合成、分析に広く利用されている。 SMPLにはいくつかの制限があり,SMPLよりも定量的に質的に優れているSTARが導入されている。 まず、smplは、グローバルブレンド形状を使用することによって生じる膨大なパラメータを持つ。 これらの密なポーズ補正オフセットは、メッシュ上のすべての頂点とキネマティックツリーの全ての関節を関連付け、散発的な長距離相関を捉えている。 これに対処するために,ジョイント毎のポーズ補正を定義し,各関節運動の影響を受けるメッシュ頂点のサブセットを学習する。 このスパース定式化はより現実的な変形をもたらし、モデルパラメータの数を SMPL の20% に大幅に減少させる。 SMPLと同じデータでトレーニングした場合、STARはパラメータが少ないにもかかわらず、より一般化される。 第二に、smpl因子は身体の形状に依存し、実際には異なる形状の人は異なる変形をする。 その結果,ボディポーズとBMIの両方に依存する形状依存型ポーズ補正ブレンド形状を学習した。 第3に,SMPLの形状空間はヒトの個体数の変動を捉えるのに十分でないことを示す。 私たちは、男性と女性の被験者を10,000スキャンし、トレーニングスターでこれに対処することで、より優れたモデル一般化をもたらすことを示します。 STARはコンパクトで、新しいボディをより一般化し、SMPLの代替品である。 STARは http://star.is.tue.mpg.de で研究目的で公開されている。

関連論文リスト

• ToMiE: Towards Modular Growth in Enhanced SMPL Skeleton for 3D Human with Animatable Garments [41.23897822168498]
  本稿では,骨格の接合木を適応的に拡張するモジュール成長戦略を提案する。 具体的には、ToMiEと呼ばれる手法は、親関節の局在化と外部関節の最適化からなる。 ToMiEは、レンダリング品質だけでなく、成長したジョイントのフリーアニメーションを提供することで、さまざまなケースで他の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-10-10T16:25:52Z)
• SUPR: A Sparse Unified Part-Based Human Representation [61.693373050670644]
  既存の頭と手のモデルでは、これらの部分の完全な動きを捉えることができません。 従来のボディパーツモデルは、個々のパーツに分離された3Dスキャンを使用して訓練されている。 そこで本研究では,全体モデルと特定部分モデルとを共同で学習する学習手法を提案する。
  論文  参考訳（メタデータ） (2022-10-25T09:32:34Z)
• Neural Point-based Shape Modeling of Humans in Challenging Clothing [75.75870953766935]
  SMPLのようなパラメトリックな3Dボディモデルは、最小限の衣服だけを表現し、衣服に拡張するのは難しい。 我々は、正準化を学習されたポーズ非依存の「粗い形状」に置き換える粗い段階で点ベースの手法を拡張する。 このアプローチは、身体に適合し、脱落する衣服に対してうまく機能する。
  論文  参考訳（メタデータ） (2022-09-14T17:59:17Z)
• Dual-Space NeRF: Learning Animatable Avatars and Scene Lighting in Separate Spaces [28.99602069185613]
  シーン照明と人体を2つの異なる空間に2つのスキンでモデル化するデュアルスペースNeRFを提案する。 これら2つの空間をブリッジするために、従来の手法は主に線形ブレンドスキン (LBS) アルゴリズムに依存していた。 本稿では, ニューラルブレンディング重み付きLBSよりも, 目立たないポーズや驚くほど優れた結果に直接一般化できるバリ中心マッピングを提案する。
  論文  参考訳（メタデータ） (2022-08-31T13:35:04Z)
• Learnable human mesh triangulation for 3D human pose and shape estimation [6.699132260402631]
  関節回転と形状推定の精度は, マルチビュー画像からスキン付き多対人線形モデル(SMPL)に基づくヒューマンメッシュ再構成において, 比較的注目されていない。 本稿では,関節回転・形状再構成の曖昧さとネットワーク学習の困難さを解消する2段階の手法を提案する。 提案手法は, 接合部の回転および形状推定において従来よりも有意に優れており, 接合位置推定では競争性能が向上する。
  論文  参考訳（メタデータ） (2022-08-24T01:11:57Z)
• 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)
• LEAP: Learning Articulated Occupancy of People [56.35797895609303]
  我々は、人体の新たな神経占有表現であるleap(learning articulated occupancy of people)を紹介する。 骨変換の集合と空間内の問合せ点が与えられると、leapはまずクエリポイントを学習線形ブレンドスキン(lbs)関数を介して正準空間にマッピングする。 LEAPは、正則空間における正確な同一性およびポーズ依存変形をモデル化する占有ネットワークを介して、占有値を効率的にクエリする。
  論文  参考訳（メタデータ） (2021-04-14T13:41:56Z)
• SCANimate: Weakly Supervised Learning of Skinned Clothed Avatar Networks [54.94737477860082]
  本論文では,着る人間の生の3Dスキャンをイメージ可能なアバターに変える,エンドツーエンドのトレーニング可能なフレームワークを提案する。 SCANimateはカスタマイズされたメッシュテンプレートや表面メッシュ登録に依存しません。 本手法はポーズ認識型外観モデルに適用でき,完全にテクスチャ化されたアバターを生成できる。
  論文  参考訳（メタデータ） (2021-04-07T17:59:58Z)

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。