論文の概要: UNIF: United Neural Implicit Functions for Clothed Human Reconstruction and Animation

• arxiv url: http://arxiv.org/abs/2207.09835v1
• Date: Wed, 20 Jul 2022 11:41:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:42:27.565663
• Title: UNIF: United Neural Implicit Functions for Clothed Human Reconstruction and Animation
• Title（参考訳）: UNIF: 衣服の復元とアニメーションのためのユナイテッド・ニューラルインシシット機能
• Authors: Shenhan Qian, Jiale Xu, Ziwei Liu, Liqian Ma, Shenghua Gao
• Abstract要約: そこで本稿では, 生スキャンと骨格を入力として, 人体再構成とアニメーションのパートベース手法を提案する。 本手法は, 部品の監督ではなく, 身体の動きから部品の分離を学習し, 布を被った人間や他の関節の物体に拡張することができる。
• 参考スコア（独自算出の注目度）: 53.2018423391591
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose united implicit functions (UNIF), a part-based method for clothed human reconstruction and animation with raw scans and skeletons as the input. Previous part-based methods for human reconstruction rely on ground-truth part labels from SMPL and thus are limited to minimal-clothed humans. In contrast, our method learns to separate parts from body motions instead of part supervision, thus can be extended to clothed humans and other articulated objects. Our Partition-from-Motion is achieved by a bone-centered initialization, a bone limit loss, and a section normal loss that ensure stable part division even when the training poses are limited. We also present a minimal perimeter loss for SDF to suppress extra surfaces and part overlapping. Another core of our method is an adjacent part seaming algorithm that produces non-rigid deformations to maintain the connection between parts which significantly relieves the part-based artifacts. Under this algorithm, we further propose "Competing Parts", a method that defines blending weights by the relative position of a point to bones instead of the absolute position, avoiding the generalization problem of neural implicit functions with inverse LBS (linear blend skinning). We demonstrate the effectiveness of our method by clothed human body reconstruction and animation on the CAPE and the ClothSeq datasets.
• Abstract（参考訳）: 本稿では,生スキャンとスケルトンを入力として,人間の衣服復元とアニメーションのための部分ベース手法である統一暗黙機能(unif)を提案する。 従来のヒト再建法はSMPLの接地部ラベルに依存しており、最小限のヒトに限られている。 対照的に,本手法では,身体運動と身体運動の分離を,部分監督ではなく学習し,衣服を装着した人間や他の関節のある物体に拡張することができる。 骨中心初期化,骨限界損失,およびトレーニングポーズが制限された場合でも安定な部分分割を保証する部分正常損失によって,移動の分割が達成される。 また,余剰表面と部分重なりを抑えるため,SDFは最小周波ロスを生じさせる。 本手法のもう1つのコアは、部品間の接続を維持するために非剛性変形を発生させる近接部分シーミングアルゴリズムである。 このアルゴリズムでは, 逆LBS(線形ブレンドスキン)を用いたニューラル暗黙関数の一般化問題を回避し, 絶対位置ではなく, 点と骨との相対位置による混合重量を定義する手法である「コンペティング・パート」を提案する。 本稿では,CAPEおよびClosSeqデータセット上での人体再構築とアニメーションによる手法の有効性を示す。

関連論文リスト

• Divide and Fuse: Body Part Mesh Recovery from Partially Visible Human Images [57.479339658504685]
  ディバイドとフューズ」戦略は、人体部分を融合する前に独立して再構築する。 Human Part Parametric Models (HPPM) は、いくつかの形状とグローバルな位置パラメータからメッシュを独立に再構築する。 特別に設計された融合モジュールは、一部しか見えない場合でも、再建された部品をシームレスに統合する。
  論文  参考訳（メタデータ） (2024-07-12T21:29:11Z)
• 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)
• Reconstructing 3D Human Pose from RGB-D Data with Occlusions [11.677978425905096]
  本稿では,RGB-D画像から3次元人体をオクルージョンで再構成する手法を提案する。 そこで本研究では,シーン情報と事前知識に基づいて,意味的かつ物理的に妥当な人体を再構築し,解決空間を縮小することを提案する。 提案手法は, ProXデータセットを用いて実験を行い, 提案手法が他の手法と比較して精度が高く, 妥当な結果が得られることを示した。
  論文  参考訳（メタデータ） (2023-10-02T14:16:13Z)
• Body Part-Based Representation Learning for Occluded Person Re-Identification [102.27216744301356]
  隠蔽人物再識別(ReID)とは,隠蔽人物画像と包括的人物画像とのマッチングを目的とした人物検索タスクである。 パートベースの手法は、微細な情報を提供し、部分的に見える人間の体を表現するのに適しているため、有益であることが示されている。 本稿では,BPBreIDという身体部分に基づくReIDモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-07T16:48:41Z)
• Unsupervised Pose-Aware Part Decomposition for 3D Articulated Objects [68.73163598790255]
  本研究では,機械的関節を有する人工関節オブジェクトを対象とする新しい環境に対処するため,PD(unsupervised Pose-aware Part Decomposition)を提案する。 本研究は,(1)非原始的な暗黙的表現による部分分解の教師なし学習を促進させ,(2)単一フレーム形状の監督下での協調パラメータとして機能することを示す。
  論文  参考訳（メタデータ） (2021-10-08T23:53:56Z)
• 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)
• AttentionAnatomy: A unified framework for whole-body organs at risk segmentation using multiple partially annotated datasets [30.23917416966188]
  CT(Computed tomography)におけるOAR(Organs-at-risk)記述は,放射線治療(RT)計画において重要なステップである。 提案したエンドツーエンドの畳み込みニューラルネットワークモデルである textbfAttentionAnatomy は、3つの部分注釈付きデータセットで共同でトレーニングできる。 提案手法の実験結果から, ソレンセン・ディース係数 (DSC) と95%ハウスドルフ距離の両面で有意な改善が得られた。
  論文  参考訳（メタデータ） (2020-01-13T18:31:34Z)

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。