基于扩散的姿态精化与多假设生成用于三维人体姿态估计
计算机视觉与模式识别
2024-01-11 v1
摘要
以往用于三维人体姿态估计（3DHPE）的概率模型旨在通过生成多个假设来提高姿态精度。然而，生成的大多数假设与真实姿态偏差显著。与确定性模型相比，概率模型中过度的不确定性导致其在单假设预测中性能较弱。为解决这两个挑战，我们提出了一种基于扩散的精化框架DRPose，该框架通过逆向扩散精化确定性模型的输出，并通过带多噪声的多步精化，为当前姿态基准实现更合适的多假设预测。为此，我们提出了可扩展图卷积Transformer（SGCT）和姿态精化模块（PRM）用于去噪和精化。在Human3.6M和MPI-INF-3DHP数据集上的大量实验表明，我们的方法在单假设和多假设3DHPE上均达到了最先进的性能。代码可在https://github.com/KHB1698/DRPose获取。
引用
@article{arxiv.2401.04921,
title = {Diffusion-based Pose Refinement and Muti-hypothesis Generation for 3D Human Pose Estimaiton},
author = {Hongbo Kang and Yong Wang and Mengyuan Liu and Doudou Wu and Peng Liu and Xinlin Yuan and Wenming Yang},
journal= {arXiv preprint arXiv:2401.04921},
year = {2024}
}