論文の概要: Deep unsupervised 3D human body reconstruction from a sparse set of landmarks

• arxiv url: http://arxiv.org/abs/2106.12282v1
• Date: Wed, 23 Jun 2021 10:02:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-24 15:21:09.227275
• Title: Deep unsupervised 3D human body reconstruction from a sparse set of landmarks
• Title（参考訳）: まばらなランドマークの集合体からの深部無監督3次元人体再構築
• Authors: Meysam Madadi and Hugo Bertiche and Sergio Escalera
• Abstract要約: 本稿では,DeepMurfと呼ばれる人体再建における非教師なしのアプローチを提案する。 4つの公開データセットの結果から,本手法は実世界のモキャップデータから人体を正確に再構築することを示した。
• 参考スコア（独自算出の注目度）: 40.679520739784195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we propose the first deep unsupervised approach in human body reconstruction to estimate body surface from a sparse set of landmarks, so called DeepMurf. We apply a denoising autoencoder to estimate missing landmarks. Then we apply an attention model to estimate body joints from landmarks. Finally, a cascading network is applied to regress parameters of a statistical generative model that reconstructs body. Our set of proposed loss functions allows us to train the network in an unsupervised way. Results on four public datasets show that our approach accurately reconstructs the human body from real world mocap data.
• Abstract（参考訳）: 本稿では,DeepMurfと呼ばれる,まばらなランドマークの集合から人体表面を推定する,人体再構成における初の深層非教師的アプローチを提案する。 欠落したランドマークを推定するためにデノナイズドオートエンコーダを適用する。 次に,ランドマークからの身体関節の推定に注意モデルを適用する。 最後に、身体を再構築する統計的生成モデルの回帰パラメータにカスケードネットワークを適用する。 提案した損失関数セットは、教師なしの方法でネットワークをトレーニングすることができる。 4つの公開データセットの結果から,実世界のモキャップデータから人体を正確に再構築した。

関連論文リスト

• AiOS: All-in-One-Stage Expressive Human Pose and Shape Estimation [55.179287851188036]
  人間のポーズと形状の復元のための新しいオールインワンステージフレームワークであるAiOSを、追加の人間検出ステップなしで導入する。 まず、画像中の人間の位置を探索し、各インスタンスのグローバルな機能をエンコードするために、人間のトークンを使用します。 そして、画像中の人間の関節を探索し、きめ細かい局所的特徴を符号化するジョイント関連トークンを導入する。
  論文  参考訳（メタデータ） (2024-03-26T17:59:23Z)
• HTNet: Human Topology Aware Network for 3D Human Pose Estimation [12.120648336697592]
  人間の3次元ポーズ推定誤差は、人体トポロジーに沿って伝播し、手足の端関節に蓄積する。 本研究では,部分レベルでの終端継手に対する位相的制約を構築するための参照として,親ノードを利用する内部制約モジュールを設計する。 本稿では,HTNet(Human Topology aware Network)を提案する。
  論文  参考訳（メタデータ） (2023-02-20T06:31:29Z)
• NeuralReshaper: Single-image Human-body Retouching with Deep Neural Networks [50.40798258968408]
  本稿では,深部生成ネットワークを用いた単一画像における人体の意味的再構成手法であるNeuralReshaperを提案する。 われわれのアプローチは、まずパラメトリックな3次元人間モデルと元の人間の画像とを適合させるフィッティング・セイン・リフォーム・パイプラインに従う。 ペアデータが存在しないデータ不足に対処するために,ネットワークをトレーニングするための新たな自己教師型戦略を導入する。
  論文  参考訳（メタデータ） (2022-03-20T09:02:13Z)
• Feature Aggregation and Refinement Network for 2D AnatomicalLandmark Detection [0.0]
  本稿では,解剖学的ランドマークの自動検出のための,特徴集約・改善ネットワーク(FARNet)を提案する。 我々のネットワークは3つの公開解剖学的ランドマーク検出データセットで評価されている。
  論文  参考訳（メタデータ） (2021-11-01T02:16:13Z)
• DC-GNet: Deep Mesh Relation Capturing Graph Convolution Network for 3D Human Shape Reconstruction [1.290382979353427]
  本稿では,3次元形状復元のための形状補完タスクを備えたディープメッシュ・リレーション・キャプチャーグラフ・コンボリューション・ネットワーク(DC-GNet)を提案する。 我々のアプローチは、より遠い領域のノード間のより微妙な関係からメッシュ構造を符号化する。 形状完了モジュールは,屋外シーンの性能劣化問題を軽減する。
  論文  参考訳（メタデータ） (2021-08-27T16:43:32Z)
• THUNDR: Transformer-based 3D HUmaN Reconstruction with Markers [67.8628917474705]
  THUNDRは、人の3Dポーズと形状を再構築するトランスフォーマーベースのディープニューラルネットワーク手法である。 完全教師付きモデルと自己教師型モデルの両方に対して,Human3.6Mと3DPWの最先端結果を示す。 野生で収集された難易度の高い人間のポーズに対して, 非常に堅固な3次元再構成性能を観察した。
  論文  参考訳（メタデータ） (2021-06-17T09:09:24Z)
• Coherent Reconstruction of Multiple Humans from a Single Image [68.3319089392548]
  本研究では,1枚の画像から多人数の3Dポーズ推定を行う問題に対処する。 この問題のトップダウン設定における典型的な回帰アプローチは、まずすべての人間を検出し、それぞれを独立して再構築する。 我々のゴールは、これらの問題を回避し、現場のすべての人間のコヒーレントな3D再構成を生成するために学習する単一のネットワークをトレーニングすることである。
  論文  参考訳（メタデータ） (2020-06-15T17:51:45Z)
• Anatomy-aware 3D Human Pose Estimation with Bone-based Pose Decomposition [92.99291528676021]
  3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。 私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。 我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
  論文  参考訳（メタデータ） (2020-02-24T15:49:37Z)

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。