論文の概要: A Riemannian Framework for Analysis of Human Body Surface
- arxiv url: http://arxiv.org/abs/2108.11449v1
- Date: Wed, 25 Aug 2021 19:46:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-28 03:06:07.617221
- Title: A Riemannian Framework for Analysis of Human Body Surface
- Title(参考訳): 人体表面の解析のためのリーマン的枠組み
- Authors: Emery Pierson, Mohamed Daoudi, Alice-Barbara Tumpach
- Abstract要約: 形状とポーズの変化下での3次元人間の形状を比較するための新しい枠組みを提案する。
私たちのコアコントリビューションは、人体表面を計測値と正常値の空間にマッピングすることです。
選択した計量から人体形状間の測地経路を計算するための効率的な枠組みを提案する。
- 参考スコア(独自算出の注目度): 4.292773013561403
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel framework for comparing 3D human shapes under the change
of shape and pose. This problem is challenging since 3D human shapes vary
significantly across subjects and body postures. We solve this problem by using
a Riemannian approach. Our core contribution is the mapping of the human body
surface to the space of metrics and normals. We equip this space with a family
of Riemannian metrics, called Ebin (or DeWitt) metrics. We treat a human body
surface as a point in a "shape space" equipped with a family of Riemmanian
metrics. The family of metrics is invariant under rigid motions and
reparametrizations; hence it induces a metric on the "shape space" of surfaces.
Using the alignment of human bodies with a given template, we show that this
family of metrics allows us to distinguish the changes in shape and pose. The
proposed framework has several advantages. First, we define family of metrics
with desired invariant properties for the comparison of human shape. Second, we
present an efficient framework to compute geodesic paths between human shape
given the chosen metric. Third, this framework provides some basic tools for
statistical shape analysis of human body surfaces. Finally, we demonstrate the
utility of the proposed framework in pose and shape retrieval of human body.
- Abstract(参考訳): 形状とポーズの変化を考慮した3次元形状比較のための新しい枠組みを提案する。
3次元の人間の形状は被験者や身体姿勢によって大きく異なるため、この問題は難しい。
我々はリーマン的手法を用いてこの問題を解く。
私たちの中心となる貢献は、人体表面をメトリクスと正常な空間にマッピングすることです。
我々はこの空間に、Ebin(またはDeWitt)メトリクスと呼ばれるリーマン計量の族を割り当てる。
我々は、人体表面を、リーマン計量の族を持つ「形空間」の一点として扱う。
計量の族は剛体運動と再パラメータ化の下で不変であり、したがって曲面の「形状空間」上の計量を誘導する。
人体を所定のテンプレートでアライメントすることで、この一連のメトリクスによって形やポーズの変化を区別できることを示します。
提案されたフレームワークにはいくつかの利点がある。
まず,人間の形状を比較するために,所望の不変特性を持つ指標群を定義する。
第2に,人間の形状間の測地路を計算するための効率的な枠組みを提案する。
第3に、このフレームワークは人体表面の統計的形状解析のための基本的なツールを提供している。
最後に,人体のポーズと形状検索における提案手法の有用性を実証する。
関連論文リスト
- ShapeBoost: Boosting Human Shape Estimation with Part-Based
Parameterization and Clothing-Preserving Augmentation [58.50613393500561]
本研究では,新しい形状復元フレームワークであるShapeBoostを提案する。
稀な体型であってもピクセルレベルのアライメントを実現し、異なるタイプの服を着ている人には高い精度が期待できる。
論文 参考訳(メタデータ) (2024-03-02T23:40:23Z) - Basis restricted elastic shape analysis on the space of unregistered
surfaces [10.543359560247847]
本稿では,表面解析のための新しい数学的および数値的枠組みを提案する。
私たちが開発しているアプローチの特異性は、許容変換の空間を変形場の予め定義された有限次元基底に制限することである。
我々は、人体形状やポーズデータ、人間の顔スキャンに対するアプローチを具体的に検証し、形状登録、移動移動、ランダムポーズ生成といった問題に対して、一般的に最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-11-07T23:06:22Z) - TailorMe: Self-Supervised Learning of an Anatomically Constrained
Volumetric Human Shape Model [4.474107938692397]
人間の形状空間は、人間の形状の中核要素であり、推論タスクを装うため、広く研究されている。
骨格骨と軟組織からなる解剖学的テンプレートをCAESARデータベースの表面スキャンに作成する。
このデータは、人文的に制約された容積的人体形状モデルを自己監督的に学習するために使用される。
論文 参考訳(メタデータ) (2023-11-03T07:42:19Z) - Elastic shape analysis of surfaces with second-order Sobolev metrics: a
comprehensive numerical framework [11.523323270411959]
本稿では3次元表面形状解析のための数値的手法を提案する。
本研究では、3次元メッシュとして表されるパラメータ化面と非パラメータ化面の間の測地線と測地線距離の計算に対処する。
論文 参考訳(メタデータ) (2022-04-08T18:19:05Z) - Learning Body-Aware 3D Shape Generative Models [72.82563334734014]
既存の3次元形状のデータ駆動生成モデルは、可塑性オブジェクトを生成する。
本稿では,3次元形状の身体認識生成モデルについて述べる。
論文 参考訳(メタデータ) (2021-12-13T21:19:55Z) - 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) - Detailed Avatar Recovery from Single Image [50.82102098057822]
本稿では,単一画像からエンフデテールアバターを回収するための新しい枠組みを提案する。
階層的メッシュ変形フレームワークでは、ディープニューラルネットワークを使用して3次元形状を洗練しています。
本手法は,皮膚モデルを超えて,完全なテクスチャで詳細な人体形状を復元することができる。
論文 参考訳(メタデータ) (2021-08-06T03:51:26Z) - 3D Human Body Reshaping with Anthropometric Modeling [59.51820187982793]
人間測定パラメータから正確で現実的な3D人体を再構築することは、個人識別、オンラインショッピング、仮想現実のための基本的な課題です。
このような3d形状を作る既存のアプローチは、レンジカメラやハイエンドスキャナーによる複雑な測定に苦しむことが多い。
本稿では,各ファセットに対する自動人為的パラメータモデリングを可能にする,特徴選択に基づく局所マッピング手法を提案する。
論文 参考訳(メタデータ) (2021-04-05T04:09:39Z) - Combining Implicit Function Learning and Parametric Models for 3D Human
Reconstruction [123.62341095156611]
深層学習近似として表される暗黙の関数は、3次元曲面の再構成に強力である。
このような機能は、コンピュータグラフィックスとコンピュータビジョンの両方に柔軟なモデルを構築するのに不可欠である。
詳細に富んだ暗黙関数とパラメトリック表現を組み合わせた方法論を提案する。
論文 参考訳(メタデータ) (2020-07-22T13:46:14Z)
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。