論文の概要: Pose2Mesh: Graph Convolutional Network for 3D Human Pose and Mesh
Recovery from a 2D Human Pose
- arxiv url: http://arxiv.org/abs/2008.09047v3
- Date: Tue, 27 Apr 2021 08:48:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 03:51:36.041124
- Title: Pose2Mesh: Graph Convolutional Network for 3D Human Pose and Mesh
Recovery from a 2D Human Pose
- Title(参考訳): pose2mesh: グラフ畳み込みネットワークによる3次元ポーズとメッシュの2次元ポーズからの回復
- Authors: Hongsuk Choi, Gyeongsik Moon, Kyoung Mu Lee
- Abstract要約: 本稿では,人間のメッシュ頂点の3次元座標を直接推定するグラフ畳み込みニューラルネットワーク(GraphCNN)を提案する。
我々のPose2Meshは、様々なベンチマークデータセットにおいて、以前の3次元人間のポーズとメッシュ推定方法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 70.23652933572647
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Most of the recent deep learning-based 3D human pose and mesh estimation
methods regress the pose and shape parameters of human mesh models, such as
SMPL and MANO, from an input image. The first weakness of these methods is an
appearance domain gap problem, due to different image appearance between train
data from controlled environments, such as a laboratory, and test data from
in-the-wild environments. The second weakness is that the estimation of the
pose parameters is quite challenging owing to the representation issues of 3D
rotations. To overcome the above weaknesses, we propose Pose2Mesh, a novel
graph convolutional neural network (GraphCNN)-based system that estimates the
3D coordinates of human mesh vertices directly from the 2D human pose. The 2D
human pose as input provides essential human body articulation information,
while having a relatively homogeneous geometric property between the two
domains. Also, the proposed system avoids the representation issues, while
fully exploiting the mesh topology using a GraphCNN in a coarse-to-fine manner.
We show that our Pose2Mesh outperforms the previous 3D human pose and mesh
estimation methods on various benchmark datasets. For the codes, see
https://github.com/hongsukchoi/Pose2Mesh_RELEASE.
- Abstract(参考訳): 最近のディープラーニングに基づく3次元ポーズとメッシュ推定手法のほとんどは、入力画像からSMPLやMANOのような人間のメッシュモデルのポーズと形状パラメータを回帰する。
これらの方法の第一の弱点は、実験室などの制御された環境からの列車データと、車内環境からの試験データとの違いによる、外観領域ギャップ問題である。
第2の弱点は、3次元回転の表現問題のためポーズパラメータの推定が極めて困難であることである。
上記の弱点を克服するために、グラフ畳み込みニューラルネットワーク(graphcnn)ベースのシステムであるpose2meshを提案する。
入力となる2次元の人間のポーズは、2つのドメイン間で比較的均質な幾何学的性質を持ちながら、必須の人体調音情報を提供する。
また,提案システムでは,グラフCNNを用いたメッシュトポロジを粗い方法で完全に活用しながら,表現問題を回避している。
pose2meshは,様々なベンチマークデータセットにおいて,従来の3次元ポーズおよびメッシュ推定手法を上回っていることを示す。
コードについてはhttps://github.com/hongsukchoi/Pose2Mesh_RELEASEを参照してください。
関連論文リスト
- FAMOUS: High-Fidelity Monocular 3D Human Digitization Using View Synthesis [51.193297565630886]
テクスチャを正確に推測することの難しさは、特に正面視画像の人物の背中のような不明瞭な領域に残る。
このテクスチャ予測の制限は、大規模で多様な3Dデータセットの不足に起因する。
本稿では,3次元デジタル化におけるテクスチャと形状予測の両立を図るために,広範囲な2次元ファッションデータセットを活用することを提案する。
論文 参考訳(メタデータ) (2024-10-13T01:25:05Z) - Co-Evolution of Pose and Mesh for 3D Human Body Estimation from Video [23.93644678238666]
ビデオから3次元の人間の動きを復元するPose and Mesh Co-Evolution Network (PMCE)を提案する。
提案したPMCEは、フレーム単位の精度と時間的一貫性の両方の観点から、従来の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-08-20T16:03:21Z) - MPM: A Unified 2D-3D Human Pose Representation via Masked Pose Modeling [59.74064212110042]
mpmcanは、3D人間のポーズ推定、クラッドされた2Dポーズからの3Dポーズ推定、3Dポーズ完了をtextocbsingleフレームワークで処理する。
MPI-INF-3DHPにおいて、広く使われているポーズデータセットの広範な実験とアブレーション研究を行い、最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-06-29T10:30:00Z) - Sampling is Matter: Point-guided 3D Human Mesh Reconstruction [0.0]
本稿では,1枚のRGB画像から3次元メッシュ再構成を行うための簡易かつ強力な手法を提案する。
評価実験の結果,提案手法は3次元メッシュ再構成の性能を効率よく向上することが示された。
論文 参考訳(メタデータ) (2023-04-19T08:45:26Z) - MUG: Multi-human Graph Network for 3D Mesh Reconstruction from 2D Pose [20.099670445427964]
単一の単分子画像からマルチヒューマンボディメッシュを再構築することは重要な問題であるが、コンピュータビジョンの問題である。
本研究では,単一グラフニューラルネットワークを用いて,マルチヒューマン2次元ポーズのみを入力として,コヒーレントなマルチヒューマンメッシュを構築する。
論文 参考訳(メタデータ) (2022-05-25T08:54:52Z) - 3D Human Pose Regression using Graph Convolutional Network [68.8204255655161]
本稿では,2次元のポーズから3次元のポーズ回帰を行うために,PoseGraphNetというグラフ畳み込みネットワークを提案する。
我々のモデルの性能は最先端に近いが、パラメータははるかに少ない。
論文 参考訳(メタデータ) (2021-05-21T14:41:31Z) - Unsupervised 3D Human Pose Representation with Viewpoint and Pose
Disentanglement [63.853412753242615]
優れた3次元ポーズ表現を学習することは、人間のポーズ関連タスクにとって重要である。
本稿では,3次元ポーズ表現を学習するために,新しいシームズ・デノナイズドオートエンコーダを提案する。
提案手法は,2つの本質的に異なるタスクに対して,最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2020-07-14T14:25:22Z) - Fusing Wearable IMUs with Multi-View Images for Human Pose Estimation: A
Geometric Approach [76.10879433430466]
多視点画像と人手足に装着したIMUから3次元人間のポーズを推定する。
まず2つの信号から2Dのポーズを検出し、3D空間に持ち上げる。
単純な2段階のアプローチは、公開データセット上の大きなマージンによる最先端のエラーを低減する。
論文 参考訳(メタデータ) (2020-03-25T00:26:54Z)
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。