基于无监督语义感知学习的人体解耦表示

近年来，越来越多的关注投入到 3D 人体表示的学习中。然而，大量手工定义的人体约束的复杂性以及监督数据的缺失限制了现有工作在语义和表示能力方面可控且准确地表示人体。在本文中，我们提出了一种在无监督学习框架下具有可控细粒度语义和高精度重建的人体表示。具体而言，我们设计了一种全局感知的骨架分组解耦策略，以学习身体几何语义度量与隐变量之间的对应关系，这有助于通过修改隐编码参数来控制人体的形状和姿态。在全局感知骨架分组编码器和无监督解耦损失的辅助下，我们的表示模型以无监督方式学习。此外，将基于模板的残差学习方案注入编码器，以简化在复杂人体形状和姿态空间中学习人体隐变量的过程。由于隐编码具有几何意义，它可用于广泛的应用，从人体姿态迁移到双线性隐编码插值。此外，采用部分感知解码器以促进可控细粒度语义的学习。在公开 3D 人体数据集上的实验结果表明，该方法具有精确重建的能力。