3D 多体：将一组可信的 3D 人体模型拟合到模糊图像数据
计算机视觉与模式识别
2020-11-03 v1
摘要
我们考虑从单视图及部分遮挡视图获取人体稠密 3D 重建的问题。此类情形下视觉证据通常不足以唯一确定 3D 重建，因此我们旨在恢复若干与输入数据兼容的可信重建。我们提出，通过合适的 3D 模型（如人体的 SMPL）参数化可能的体形与姿态，能更有效地建模模糊性。我们提议使用 best-of-M 损失学习一个多假设神经网络回归器，其中 M 个假设中的每一个都借助生成模型被约束于可信人体姿态的流形上。我们表明，在标准 3D 人体基准及这些基准的严重遮挡版本上，我们的方法在模糊姿态恢复方面优于替代方法。
引用
@article{arxiv.2011.00980,
title = {3D Multi-bodies: Fitting Sets of Plausible 3D Human Models to Ambiguous Image Data},
author = {Benjamin Biggs and Sébastien Ehrhadt and Hanbyul Joo and Benjamin Graham and Andrea Vedaldi and David Novotny},
journal= {arXiv preprint arXiv:2011.00980},
year = {2020}
}
备注
NeurIPS 2020 Spotlight; 14 pages including supplementary