FLAG：基于流的从稀疏观测生成三维虚拟人姿态

为了在混合现实应用中表示人员进行协作与沟通，我们需要生成逼真且忠实的虚拟人姿态。然而，来自头戴式设备（HMDs）可用于此任务的信号流通常仅限于头部姿态和手部姿态估计。尽管这些信号很有价值，它们是对人体的不完整表示，使得生成忠实的全身虚拟人具有挑战性。我们通过开发一种基于流的从稀疏观测生成三维人体模型的生成模型来应对这一挑战，其中我们不仅学习了三维人体姿态的条件分布，还学习了从观测到潜空间的的概率映射，由此我们可以生成合理的姿态以及各关节的不确定性估计。我们表明我们的方法不仅是一个强大的预测模型，还可以作为不同优化设置中良好的姿态先验，其中良好的初始潜码起着主要作用。