論文の概要: Probabilistic 3D Human Shape and Pose Estimation from Multiple
Unconstrained Images in the Wild
- arxiv url: http://arxiv.org/abs/2103.10978v1
- Date: Fri, 19 Mar 2021 18:32:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:38:16.680319
- Title: Probabilistic 3D Human Shape and Pose Estimation from Multiple
Unconstrained Images in the Wild
- Title(参考訳): 野生における複数非拘束画像からの確率的3次元人物形状と姿勢推定
- Authors: Akash Sengupta, Ignas Budvytis, Roberto Cipolla
- Abstract要約: 人間の被写体の複数の画像のグループから、形状とポーズ推定という新しいタスクを提案します。
提案手法は,SMPL体形状上の分布を予測し,入力画像にパラメータを付与する。
複数画像入力グループに存在する付加体形状情報により, 人体形状推定の精度が向上することを示す。
- 参考スコア(独自算出の注目度): 25.647676661390282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the problem of 3D human body shape and pose estimation
from RGB images. Recent progress in this field has focused on single images,
video or multi-view images as inputs. In contrast, we propose a new task: shape
and pose estimation from a group of multiple images of a human subject, without
constraints on subject pose, camera viewpoint or background conditions between
images in the group. Our solution to this task predicts distributions over SMPL
body shape and pose parameters conditioned on the input images in the group. We
probabilistically combine predicted body shape distributions from each image to
obtain a final multi-image shape prediction. We show that the additional body
shape information present in multi-image input groups improves 3D human shape
estimation metrics compared to single-image inputs on the SSP-3D dataset and a
private dataset of tape-measured humans. In addition, predicting distributions
over 3D bodies allows us to quantify pose prediction uncertainty, which is
useful when faced with challenging input images with significant occlusion. Our
method demonstrates meaningful pose uncertainty on the 3DPW dataset and is
competitive with the state-of-the-art in terms of pose estimation metrics.
- Abstract(参考訳): 本稿では,RGB画像からの3次元人体形状とポーズ推定の問題に対処する。
この分野での最近の進歩は、入力として単一の画像、ビデオまたはマルチビュー画像に焦点を当てている。
対照的に、被験者の複数の画像群から、被写体ポーズ、カメラ視点、背景条件に制約を伴わずに、形状とポーズを推定する新しいタスクを提案する。
本課題に対する解決策は,SMPL本体形状上の分布を予測し,グループ内の入力画像にパラメータを付加する。
各画像から予測された身体形状分布を確率論的に組み合わせ、最終的な複数画像形状予測を得る。
SSP-3Dデータセットとテープ計測された人間のプライベートデータセットの単画像入力と比較して,多画像入力グループに存在する付加体形状情報により3次元人物形状推定の指標が向上することを示す。
さらに,3次元物体上の分布の予測はポーズ予測の不確かさを定量化することができる。
提案手法は,3dpwデータセット上で有意義なポーズ不確実性を示し,ポーズ推定指標の点で最先端と競合する。
関連論文リスト
- ManiPose: Manifold-Constrained Multi-Hypothesis 3D Human Pose Estimation [54.86887812687023]
ほとんどの3D-HPE法は回帰モデルに依存しており、入力と出力の1対1のマッピングを前提としている。
提案するManiPoseは,2次元入力毎に複数の候補3次元ポーズを提案可能な,新しい多様体制約型マルチハイポテーシスモデルである。
従来のマルチハイブリッドアプローチとは異なり、我々のソリューションは完全に教師付きであり、複雑な生成モデルに依存しない。
論文 参考訳(メタデータ) (2023-12-11T13:50:10Z) - HuManiFlow: Ancestor-Conditioned Normalising Flows on SO(3) Manifolds
for Human Pose and Shape Distribution Estimation [27.14060158187953]
近年のアプローチでは、画像上に条件付き3次元ポーズと形状パラメータの確率分布が予測されている。
これらの手法が3つの重要な特性のトレードオフを示すことを示す。
我々の手法であるHuManiFlowは、同時に正確で一貫性があり多様な分布を予測する。
論文 参考訳(メタデータ) (2023-05-11T16:49:19Z) - Self-supervised 3D Human Pose Estimation from a Single Image [1.0878040851638]
本研究では,1枚の画像から3次元人体ポーズを予測する自己教師型手法を提案する。
予測ネットワークは、典型的なポーズの人物と、未ペアの2Dポーズのセットを描写した未ラベル画像のデータセットから訓練される。
論文 参考訳(メタデータ) (2023-04-05T10:26:21Z) - Learning Visibility for Robust Dense Human Body Estimation [78.37389398573882]
2D画像から3Dのポーズと形状を推定することは、非常に難しい課題だ。
部分的な観察に頑健な高密度な人体推定を学習する。
我々は、高密度UV通信から可視性ラベルの擬似基底構造を取得し、3次元座標とともに可視性を予測するニューラルネットワークを訓練する。
論文 参考訳(メタデータ) (2022-08-23T00:01:05Z) - 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) - Probabilistic Estimation of 3D Human Shape and Pose with a Semantic
Local Parametric Model [25.647676661390282]
本稿では,RGB画像からの3次元人体形状とポーズ推定の問題に対処する。
本研究では,局所的な身体形状の分布を意味的身体計測の形で予測する手法を提案する。
本手法は,身元依存の身体形状推定精度において,現在の最先端技術よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-30T13:50:45Z) - Hierarchical Kinematic Probability Distributions for 3D Human Shape and
Pose Estimation from Images in the Wild [25.647676661390282]
本稿では,RGB画像からの3次元人体形状とポーズ推定の問題に対処する。
深層ニューラルネットワークを用いて、相対的な3次元関節回転行列上の階層行列-フィッシャー分布を推定する。
本手法は,SSP-3Dおよび3DPWデータセット上で,3次元形状の計測値を用いて,最先端技術と競合することを示す。
論文 参考訳(メタデータ) (2021-10-03T11:59:37Z) - 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) - Self-Supervised 3D Human Pose Estimation via Part Guided Novel Image
Synthesis [72.34794624243281]
ラベルのないビデオフレームからバリエーションを分離する自己教師付き学習フレームワークを提案する。
3Dポーズと空間部分マップの表現ギャップを埋める、微分可能な形式化により、多様なカメラの動きを持つビデオで操作できる。
論文 参考訳(メタデータ) (2020-04-09T07:55:01Z) - Weakly-Supervised 3D Human Pose Learning via Multi-view Images in the
Wild [101.70320427145388]
本稿では、3Dアノテーションを必要としない弱教師付きアプローチを提案し、ラベルのないマルチビューデータから3Dポーズを推定する。
提案手法を2つの大規模データセット上で評価する。
論文 参考訳(メタデータ) (2020-03-17T08:47:16Z)
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。