DC-GNet：用于三维人体形状重建的深度网格关系捕获图卷积网络
计算机视觉与模式识别
2021-08-30 v1
摘要
本文旨在从单幅图像重建完整的三维人体形状。先前的顶点级和参数回归方法基于预定义的邻接矩阵编码节点间的正关系来重建三维人体形状，并未仔细挖掘三维人体表面的深度拓扑关系。此外，大多数现有方法在处理真实场景中含更多遮挡的情况时，性能常受域间隙影响。本工作中，我们提出一种具有形状补全任务、用于三维人体形状重建的深度网格关系捕获图卷积网络 DC-GNet。首先，我们提出捕获网格顶点内的深度关系，引入编码正负关系的自适应矩阵。其次，我们提出形状补全任务以学习各类遮挡情况的先验。我们的方法从更远距离节点间更细微的关系中编码网格结构。此外，我们的形状补全模块缓解了室外场景中的性能退化问题。在多个基准上的大量实验表明，我们的方法优于先前的三维人体姿态与形状估计方法。
引用
@article{arxiv.2108.12384,
title = {DC-GNet: Deep Mesh Relation Capturing Graph Convolution Network for 3D Human Shape Reconstruction},
author = {Shihao Zhou and Mengxi Jiang and Shanshan Cai and Yunqi Lei},
journal= {arXiv preprint arXiv:2108.12384},
year = {2021}
}
备注
Accepted by ACM MM'21 (oral)