論文の概要: Adversarial Parametric Pose Prior
- arxiv url: http://arxiv.org/abs/2112.04203v1
- Date: Wed, 8 Dec 2021 10:05:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-09 22:17:16.276889
- Title: Adversarial Parametric Pose Prior
- Title(参考訳): 逆パラメトリックポーズ
- Authors: Andrey Davydov, Anastasia Remizova, Victor Constantin, Sina Honari,
Mathieu Salzmann, Pascal Fua
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 106.12437086990853
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The Skinned Multi-Person Linear (SMPL) model can represent a human body by
mapping pose and shape parameters to body meshes. This has been shown to
facilitate inferring 3D human pose and shape from images via different learning
models. However, not all pose and shape parameter values yield
physically-plausible or even realistic body meshes. In other words, SMPL is
under-constrained and may thus lead to invalid results when used to reconstruct
humans from images, either by directly optimizing its parameters, or by
learning a mapping from the image to these parameters.
In this paper, we therefore learn a prior that restricts the SMPL parameters
to values that produce realistic poses via adversarial training. We show that
our learned prior covers the diversity of the real-data distribution,
facilitates optimization for 3D reconstruction from 2D keypoints, and yields
better pose estimates when used for regression from images. We found that the
prior based on spherical distribution gets the best results. Furthermore, in
all these tasks, it outperforms the state-of-the-art VAE-based approach to
constraining the SMPL parameters.
- Abstract(参考訳): Skinned Multi-Person Linear (SMPL)モデルは、ポーズと形状パラメータをボディメッシュにマッピングすることで、人間の体を表現することができる。
これは、異なる学習モデルを通して画像から3Dのポーズと形状を推測することを容易にすることが示されている。
しかし、すべてのポーズや形状パラメータの値が物理的に評価可能あるいは現実的なボディメッシュを生成するわけではない。
言い換えれば、SMPLは制約が不足しているため、画像から直接パラメータを最適化したり、画像からこれらのパラメータへのマッピングを学習することで、画像から人間を再構成する際に無効な結果をもたらす可能性がある。
そこで本稿では,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。
球面分布に基づく事前結果が最適であることがわかった。
さらに、これらすべてのタスクにおいて、SMPLパラメータの制約に対する最先端のVAEベースのアプローチよりも優れています。
関連論文リスト
- Personalized 3D Human Pose and Shape Refinement [19.082329060985455]
回帰に基づく手法は3次元人間のポーズと形状推定の分野を支配してきた。
本稿では,初期人間のモデル推定値と対応する画像との密接な対応性を構築することを提案する。
提案手法は画像モデルアライメントの改善だけでなく,3次元精度の向上にも寄与する。
論文 参考訳(メタデータ) (2024-03-18T10:13:53Z) - PLIKS: A Pseudo-Linear Inverse Kinematic Solver for 3D Human Body
Estimation [10.50175010474078]
1枚の2次元画像から人体の3次元メッシュを再構築するためのPLIKSを提案する。
PLIKSはパラメトリックSMPLモデルの線形化された定式化に基づいている。
PLIKSは10%以上の精度で再現可能であることを確認した。
論文 参考訳(メタデータ) (2022-11-21T18:54:12Z) - Shape, Pose, and Appearance from a Single Image via Bootstrapped
Radiance Field Inversion [54.151979979158085]
提案手法では,自然画像に対する基本的エンドツーエンド再構築フレームワークを導入し,正確な地平のポーズが得られない。
そこで,モデルが解の第一の推算を生成するハイブリッド・インバージョン・スキームを適用する。
当社のフレームワークでは,イメージを10ステップでデレンダリングすることが可能で,現実的なシナリオで使用することが可能です。
論文 参考訳(メタデータ) (2022-11-21T17:42:42Z) - 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) - 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment
Feedback Loop [128.07841893637337]
回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。
パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。
本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
論文 参考訳(メタデータ) (2021-03-30T17:07:49Z) - PaMIR: Parametric Model-Conditioned Implicit Representation for
Image-based Human Reconstruction [67.08350202974434]
本研究では,パラメトリックボディモデルと自由形深部暗黙関数を組み合わせたパラメトリックモデル記述型暗黙表現(PaMIR)を提案する。
本手法は, 挑戦的なポーズや衣料品のタイプにおいて, 画像に基づく3次元再構築のための最先端性能を実現する。
論文 参考訳(メタデータ) (2020-07-08T02:26:19Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳(メタデータ) (2020-03-24T14:25:46Z)
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。