論文の概要: SMPL Normal Map Is All You Need for Single-view Textured Human Reconstruction

• arxiv url: http://arxiv.org/abs/2506.12793v1
• Date: Sun, 15 Jun 2025 09:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.888347
• Title: SMPL Normal Map Is All You Need for Single-view Textured Human Reconstruction
• Title（参考訳）: SMPLの正規地図は、一眼レフで再現できる
• Authors: Wenhao Shen, Gangjian Zhang, Jianfeng Zhang, Yu Feng, Nanjie Yao, Xuanmeng Zhang, Hao Wang,
• Abstract要約: 単視テクスチャ化された人間の再構築は、単眼2D画像を入力することで、着物付き3Dデジタル人間を再構築することを目的としている。 既存のアプローチには、不足する3D人間のデータによって制限されたフィードフォワード法や、拡散に基づく方法、誤った2D幻覚の傾向がある。 本研究では,事前トレーニングされた大規模3次元再構成モデルと人間の幾何を組み込んだ,新しいSMPL正規化3次元再構成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 15.249143171519112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-view textured human reconstruction aims to reconstruct a clothed 3D digital human by inputting a monocular 2D image. Existing approaches include feed-forward methods, limited by scarce 3D human data, and diffusion-based methods, prone to erroneous 2D hallucinations. To address these issues, we propose a novel SMPL normal map Equipped 3D Human Reconstruction (SEHR) framework, integrating a pretrained large 3D reconstruction model with human geometry prior. SEHR performs single-view human reconstruction without using a preset diffusion model in one forward propagation. Concretely, SEHR consists of two key components: SMPL Normal Map Guidance (SNMG) and SMPL Normal Map Constraint (SNMC). SNMG incorporates SMPL normal maps into an auxiliary network to provide improved body shape guidance. SNMC enhances invisible body parts by constraining the model to predict an extra SMPL normal Gaussians. Extensive experiments on two benchmark datasets demonstrate that SEHR outperforms existing state-of-the-art methods.
• Abstract（参考訳）: 単視テクスチャ化された人間の再構築は、単眼2D画像を入力することで、着物付き3Dデジタル人間を再構築することを目的としている。 既存のアプローチには、不足する3D人間のデータによって制限されたフィードフォワード法や、拡散に基づく方法、誤った2D幻覚の傾向がある。 これらの課題に対処するために,事前にトレーニングされた大規模3次元再構成モデルと人間の幾何を組み込んだ,新しいSMPL正規写像 Equipped 3D Human Restruction (SEHR) フレームワークを提案する。 SEHRは1つの前方伝播に予め設定された拡散モデルを用いることなく、一視点の人間再構成を行う。 具体的には、SEHR は SMPL Normal Map Guidance (SNMG) と SMPL Normal Map Constraint (SNMC) の2つの重要な構成要素から構成される。 SNMGはSMPL正規地図を補助ネットワークに組み込み、身体形状誘導の改善を提供する。 SNMCは、余分なSMPL正規ガウスを予測するためにモデルを制約することで、見えない身体の部分を強化する。 2つのベンチマークデータセットに対する大規模な実験は、SEHRが既存の最先端メソッドより優れていることを示している。

関連論文リスト

• MVD-HuGaS: Human Gaussians from a Single Image via 3D Human Multi-view Diffusion Prior [35.704591162502375]
  EmphMVD-HuGaSは,複数視点の人体拡散モデルを用いて,単一の画像から自由視点の3Dレンダリングを可能にする。 T Human2.0と2K2Kデータセットの実験により、提案されたMVD-HuGaSは、単一ビューの3Dレンダリングで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2025-03-11T09:37:15Z)
• MultiGO: Towards Multi-level Geometry Learning for Monocular 3D Textured Human Reconstruction [4.457326808146675]
  本稿では, 単眼画像から3次元布体を再構築する研究課題について検討する。 既存のアプローチでは、事前訓練されたSMPL(-X)推定モデルや生成モデルを利用して、人間の再構築に補助情報を提供する。 技術的には,骨格レベルの強化,関節レベルの強化,輪郭レベルの改良モジュールの3つの重要なコンポーネントを設計する。
  論文  参考訳（メタデータ） (2024-12-04T08:06:06Z)
• DiHuR: Diffusion-Guided Generalizable Human Reconstruction [51.31232435994026]
  一般化可能なヒト3次元再構成のための拡散誘導モデルであるDiHuRを導入し,スパース・ミニマル・オーバーラップ画像からのビュー合成について述べる。 提案手法は, 一般化可能なフィードフォワードモデルと2次元拡散モデルとの2つのキー前処理をコヒーレントな方法で統合する。
  論文  参考訳（メタデータ） (2024-11-16T03:52:23Z)
• Generalizable Human Gaussians from Single-View Image [52.100234836129786]
  単視点一般化可能なHuman Gaussian Model(HGM)を導入する。 提案手法では, 粗い予測されたヒトガウスの背景画像を改良するために, ControlNet を用いる。 非現実的な人間のポーズや形状の潜在的な発生を緩和するために、SMPL-Xモデルからの人間の先行を二重分岐として組み込む。
  論文  参考訳（メタデータ） (2024-06-10T06:38:11Z)
• Template-Free Single-View 3D Human Digitalization with Diffusion-Guided LRM [29.13412037370585]
  本稿では,拡散誘導フィードフォワードモデルであるHuman-LRMを提案する。 本手法は,例えばSMPLなどのテンプレートを使わずにヒトを捕獲し,リッチでリアルなディテールで咬合部を効果的に増強することができる。
  論文  参考訳（メタデータ） (2024-01-22T18:08:22Z)

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。