D-IF：通过隐式分布场实现不确定性感知的人体数字化
计算机视觉与模式识别
2023-10-18 v2 人工智能
摘要
逼真虚拟人在元宇宙、智能医疗与自动驾驶仿真等众多行业中起着关键作用。但大规模创建高真实度虚拟人仍具挑战。深度隐式函数的应用开启了基于图像的 3D 着装人体重建新纪元，实现了带精细细节的像素对齐形状恢复。随后绝大多数工作通过回归每点的确定性隐式值来定位表面。然而，无论各点距表面远近是否都应被等同对待？本文中，我们提出以自适应不确定性分布替代隐式值，依据点到表面的距离区分不同点。这一简单的“值到分布”转变在几乎所有基线上带来显著提升。此外，定性结果表明，用我们的不确定性分布损失训练的模型能捕捉更精细的皱纹与逼真肢体。代码与模型用于研究目的见 https://github.com/psyai-net/D-IF_release。
引用
@article{arxiv.2308.08857,
title = {D-IF: Uncertainty-aware Human Digitization via Implicit Distribution Field},
author = {Xueting Yang and Yihao Luo and Yuliang Xiu and Wei Wang and Hao Xu and Zhaoxin Fan},
journal= {arXiv preprint arXiv:2308.08857},
year = {2023}
}