COAP：人的组合式关节化占据表示

Marko Mihajlovic; Shunsuke Saito; Aayush Bansal; Michael Zollhoefer; Siyu Tang

COAP：人的组合式关节化占据表示

计算机视觉与模式识别 2022-04-14 v1

作者: Marko Mihajlovic , Shunsuke Saito , Aayush Bansal , Michael Zollhoefer , Siyu Tang

摘要

我们提出了一种用于关节化人体的新型神经隐式表示。与显式模板网格相比，神经隐式人体表示为建模与环境的相互作用提供了高效机制，这对于三维场景中的人体运动重建与合成至关重要。然而，现有的神经隐式人体要么在高度关节化姿态上泛化能力差，要么推理速度慢。在本工作中，我们观察到可利用关于人体形状和运动学结构的先验知识来提升泛化能力与效率。我们将全身几何分解为局部身体部位，并采用部件感知的编码器-解码器架构来学习建模局部复杂形变的神经关节化占据。我们的局部形状编码器不仅表示对应身体部位的身体形变，还表示相邻身体部位的身体形变。解码器融入了局部身体形状的几何约束，显著提升了姿态泛化能力。我们证明了我们的模型适用于解决自相交以及与三维环境的碰撞问题。定量与定性实验表明，我们的方法在效率与精度上均大幅优于现有方案。代码与模型见 https://neuralbodies.github.io/COAP/index.html

关键词

神经隐式表示关节化人体占据编码器-解码器姿态泛化自相交三维环境碰撞

引用

@article{arxiv.2204.06184,
  title  = {COAP: Compositional Articulated Occupancy of People},
  author = {Marko Mihajlovic and Shunsuke Saito and Aayush Bansal and Michael Zollhoefer and Siyu Tang},
  journal= {arXiv preprint arXiv:2204.06184},
  year   = {2022}
}

备注

To appear at CVPR 2022. The project page is available at https://neuralbodies.github.io/COAP/index.html

COAP：人的组合式关节化占据表示

摘要

关键词

引用

备注

相关论文