DGPose：用于人体分析的深层生成模型
计算机视觉与模式识别
2020-02-18 v2 机器学习
摘要
用于人体分析的深层生成建模是一个具有众多有趣应用的新兴问题。然而，此类方法学到的潜空间通常不可解释，导致灵活性不足。本工作中，我们提出用于人体分析的深层生成模型，其中人体姿态与视觉外观被解耦。这种解耦允许对姿态和外观独立操控，从而支持诸如姿态迁移等无需针对该任务专门训练的应用。我们提出的模型Conditional-DGPose和Semi-DGPose具有不同的特性。前者从全监督训练集中取人体姿态标签作为条件。后者采用结构化半监督方法，使模型自身可执行姿态估计，降低对标注数据的需求。因此，Semi-DGPose旨在实现对图像中人物的联合理解与生成，不仅能将图像映射到可解释的潜表示，也能将这些表示映射回图像空间。我们在Human3.6M、ChictopiaPlus和DeepFashion基准上将我们的模型与相关基线ClothNet-Body和Pose Guided Person Generation网络进行比较，展示了其优势。
引用
@article{arxiv.1804.06364,
title = {DGPose: Deep Generative Models for Human Body Analysis},
author = {Rodrigo de Bem and Arnab Ghosh and Thalaiyasingam Ajanthan and Ondrej Miksik and Adnane Boukhayma and N. Siddharth and Philip Torr},
journal= {arXiv preprint arXiv:1804.06364},
year = {2020}
}
备注
IJCV 2020 special issue on 'Generating Realistic Visual Data of Human Behavior' preprint. Keywords: deep generative models, semi-supervised learning, human pose estimation, variational autoencoders, generative adversarial networks