从人体三维网格身体尺寸中学习的人体测量神经网络

人体形状估计在理论上和实践中都变得日益重要，例如三维网格估计、远程服装制作和计算法医学等仅举数例。作为进一步的专业化方向，人体身体尺寸估计（HBDE）专注于从图像或三维网格中估计人体身体测量值（如肩宽或胸围），通常使用监督学习方法。此情境下的主要障碍是数据稀缺问题，因为收集此类真值需要昂贵且困难的流程。该障碍可通过从三维人体网格获取真实人体测量值来克服。然而，a) 目前尚无从三维网格计算人体身体尺寸（HBD）的成熟方法，b) 也没有用于在 HBDE 任务上公平比较结果的基准。我们的贡献有两方面。一方面，我们提出一种从三维网格计算左右臂长、肩宽和内缝（裆高）的方法，重点关注潜在的医疗、虚拟试穿和远程定制应用。另一方面，我们使用最近发表的方法计算的四个额外身体尺寸，组装出一组八个身体尺寸，将其作为我们的人体测量神经网络（Neural Anthropometer）的监督信号：这是一个能够估计这些尺寸的卷积神经网络。为评估估计效果，我们使用三维网格的合成图像训练人体测量神经网络，从中计算出 HBD，并观察到网络的总体平均估计误差为 $20.89$ mm（相对误差 2.84%）。我们呈现的结果完全可复现，并为 HBDE 任务的研究建立了公平基线，从而为社区提供了一种有价值的方法。