直接稠密姿态估计
计算机视觉与模式识别
2022-04-05 v1
摘要
稠密人体姿态估计是学习 RGB 图像与人体表面之间稠密对应关系的问题，其在人体重建、人体姿态迁移和人体动作识别等方面有诸多应用。已有的稠密姿态估计方法均基于 Mask R-CNN 框架，并以自上而下的方式运行：首先尝试为每个人确定边界框，再在每个边界框内匹配稠密对应关系。因此，这些方法由于对 Mask R-CNN 检测的强烈依赖而缺乏鲁棒性，且运行时间随图像中人数增加急剧上升。为此，我们提出一种求解稠密姿态估计问题的新颖替代方法，称为直接稠密姿态（Direct Dense Pose, DDP）。DDP 先分别预测实例掩码和全局 IUV 表示，再将二者结合。我们还提出一种简单而有效的 2D 时间平滑方案，以缓解处理视频数据时的时序抖动。实验表明，DDP 克服了以往自上而下基线方法的局限并取得了有竞争力的精度。此外，DDP 比以往的稠密姿态估计方法计算更高效，且在应用于视频序列时减少了抖动，而该问题一直困扰着以往方法。
引用
@article{arxiv.2204.01263,
title = {Direct Dense Pose Estimation},
author = {Liqian Ma and Lingjie Liu and Christian Theobalt and Luc Van Gool},
journal= {arXiv preprint arXiv:2204.01263},
year = {2022}
}
备注
Accepted to 3DV 2021. Project page http://charliememory.github.io/3DV21_DDP/