論文の概要: DART: Articulated Hand Model with Diverse Accessories and Rich Textures

• arxiv url: http://arxiv.org/abs/2210.07650v1
• Date: Fri, 14 Oct 2022 09:06:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 15:49:47.099660
• Title: DART: Articulated Hand Model with Diverse Accessories and Rich Textures
• Title（参考訳）: DART:多言語アクセサリーとリッチテクスチャを用いた人工ハンドモデル
• Authors: Daiheng Gao, Yuliang Xiu, Kailin Li, Lixin Yang, Feng Wang, Peng Zhang, Bang Zhang, Cewu Lu, Ping Tan
• Abstract要約: 我々は、DART(Diverse Accessories)とRich Textures(Rich Textures)でMANOを拡張する。 DARTは、外観と形状の異なる50の3Dアクセサリーで構成され、325個の手作りの2Dテクスチャマップは、さまざまな種類のブレンディッシュやメイクアップをカバーしている。 DARTsetは、大容量(800K)、高忠実な合成手画像を含み、完全整列3Dラベルと組み合わせてリリースする。
• 参考スコア（独自算出の注目度）: 54.3635406268272
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hand, the bearer of human productivity and intelligence, is receiving much attention due to the recent fever of digital twins. Among different hand morphable models, MANO has been widely used in vision and graphics community. However, MANO disregards textures and accessories, which largely limits its power to synthesize photorealistic hand data. In this paper, we extend MANO with Diverse Accessories and Rich Textures, namely DART. DART is composed of 50 daily 3D accessories which varies in appearance and shape, and 325 hand-crafted 2D texture maps covers different kinds of blemishes or make-ups. Unity GUI is also provided to generate synthetic hand data with user-defined settings, e.g., pose, camera, background, lighting, textures, and accessories. Finally, we release DARTset, which contains large-scale (800K), high-fidelity synthetic hand images, paired with perfect-aligned 3D labels. Experiments demonstrate its superiority in diversity. As a complement to existing hand datasets, DARTset boosts the generalization in both hand pose estimation and mesh recovery tasks. Raw ingredients (textures, accessories), Unity GUI, source code and DARTset are publicly available at dart2022.github.io
• Abstract（参考訳）: 人間の生産性と知能の担い手であるhandは、最近のデジタル双生児の発熱で注目を集めている。 様々な手形のモデルの中で、MANOは視覚とグラフィックのコミュニティで広く使われている。 しかし、MANOはテクスチャやアクセサリーを軽視しており、これはフォトリアリスティックハンドデータを合成する能力を大幅に制限している。 本稿では,MANOをDART(Diverse Accessories and Rich Textures)で拡張する。 DARTは外観と形状の異なる50の3Dアクセサリーで構成され、325個の手作りの2Dテクスチャマップはさまざまな種類のブレンディッシュやメイクアップをカバーしている。 Unity GUIは、ポーズ、カメラ、背景、照明、テクスチャ、アクセサリーなど、ユーザーが定義した設定で合成手データを生成する。 最後に,800Kの大規模合成手画像を含むDARTsetを完全整列3Dラベルと組み合わせてリリースする。 実験は多様性の優位性を示す。 既存のハンドデータセットの補完として、dartsetは、ハンドポーズ推定とメッシュリカバリタスクの両方の一般化を促進する。 原材料(テクスチャ、アクセサリー)、Unity GUI、ソースコード、DARTsetはdart2022.github.ioで公開されている。

関連論文リスト

• FAMOUS: High-Fidelity Monocular 3D Human Digitization Using View Synthesis [51.193297565630886]
  テクスチャを正確に推測することの難しさは、特に正面視画像の人物の背中のような不明瞭な領域に残る。 このテクスチャ予測の制限は、大規模で多様な3Dデータセットの不足に起因する。 本稿では,3次元デジタル化におけるテクスチャと形状予測の両立を図るために,広範囲な2次元ファッションデータセットを活用することを提案する。
  論文  参考訳（メタデータ） (2024-10-13T01:25:05Z)
• AttentionHand: Text-driven Controllable Hand Image Generation for 3D Hand Reconstruction in the Wild [18.351368674337134]
  AttentionHandはテキスト駆動による手動画像生成の新しい手法である。 3Dハンドラベルとよく整合した、さまざまな、そして多数の手動画像を生成することができる。 テキスト・ツー・ハンド画像生成モデル間で最先端を実現する。
  論文  参考訳（メタデータ） (2024-07-25T13:29:32Z)
• TexDreamer: Towards Zero-Shot High-Fidelity 3D Human Texture Generation [41.959089177835764]
  TexDreamerは、最初のゼロショットマルチモーダル高忠実度3Dヒューマンテクスチャ生成モデルである。 ArTicuLated humAn textureSは,最大解像度(1024×1024)のヒトテクスチャデータセットである。
  論文  参考訳（メタデータ） (2024-03-19T17:02:07Z)
• Cloth2Tex: A Customized Cloth Texture Generation Pipeline for 3D Virtual Try-On [47.4550741942217]
  Cloth2Texは、合理的なレイアウトと構造整合性を備えたテクスチャマップを生成する自己教師型手法である。 高忠実なテクスチャ塗布をサポートするために使用できる。 本手法は質的かつ定量的に評価し,Chroth2Texが高品質なテクスチャマップを作成可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-08T14:32:38Z)
• Text-guided 3D Human Generation from 2D Collections [69.04031635550294]
  本稿では,テクスト誘導型3Dヒューマンジェネレーション(texttT3H)について紹介する。 CCHは、抽出されたファッションセマンティクスを用いたヒューズ合成ヒトのレンダリングに、クロスモーダルアテンションを採用する。 我々はDeepFashionとSHHQで、上着と下着の形状、生地、色を多彩なファッション特性で評価する。
  論文  参考訳（メタデータ） (2023-05-23T17:50:15Z)
• Embodied Hands: Modeling and Capturing Hands and Bodies Together [61.32931890166915]
  人間は、コミュニケーションとタスクの解決のために、手と体を一緒に移動します。 ほとんどの方法は、体と手の3Dモデリングと追跡を別々に扱う。 我々は、手と体の相互作用をモデルとして定式化し、それをフルボディの4Dシーケンスに適合させる。
  論文  参考訳（メタデータ） (2022-01-07T18:59:32Z)
• 3D-Aware Semantic-Guided Generative Model for Human Synthesis [67.86621343494998]
  本稿では,人間の画像合成のための3D-SGAN(Semantic-Guided Generative Model)を提案する。 DeepFashionデータセットに関する我々の実験は、3D-SGANが最新のベースラインを大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2021-12-02T17:10:53Z)
• MM-Hand: 3D-Aware Multi-Modal Guided Hand Generative Network for 3D Hand Pose Synthesis [81.40640219844197]
  モノラルなRGB画像から3Dハンドポーズを推定することは重要だが難しい。 解決策は、高精度な3D手指キーポイントアノテーションを用いた大規模RGB手指画像のトレーニングである。 我々は,現実的で多様な3次元ポーズ保存ハンドイメージを合成する学習ベースアプローチを開発した。
  論文  参考訳（メタデータ） (2020-10-02T18:27:34Z)

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。