KITRO：基于2D线索和运动学树旋转的 人体网格细化
计算机视觉与模式识别
2024-05-31 v1
摘要
2D关键点常用于细化估计的3D人体网格。当前方法通过对提供的2D关键点执行重投影损失来优化姿态和形状参数。这种方法虽简单直观，但有效性受限，因为最优解在模糊参数空间中难以找到，可能牺牲深度。此外，来自遥远关节的梯度会复杂化并偏离沿运动学链的近端关节的细化。为此，我们引入运动学树旋转(KITRO)，一种显式建模深度和人体运动学树结构的网格细化策略。KITRO从骨骼层面进行细化。不同于以往方法采用梯度式优化，本方法以闭式计算骨骼方向。通过考虑2D姿态、骨骼长度和父关节的深度，计算结果为每个子关节确定两个可能的方向。我们随后使用决策树沿人体骨骼运动学树遍历二元选择，以选择最可能的假设。我们的实验在各种数据集和基线模型上均表明，KITRO显著提高了3D关节估计精度，同时实现了理想的2D拟合。我们的代码可在：https://github.com/MartaYang/KITRO获取。
引用
@article{arxiv.2405.19833,
title = {KITRO: Refining Human Mesh by 2D Clues and Kinematic-tree Rotation},
author = {Fengyuan Yang and Kerui Gu and Angela Yao},
journal= {arXiv preprint arXiv:2405.19833},
year = {2024}
}
备注
Accepted by CVPR24