学习式顶点下降：三维人体模型拟合的新方向
计算机视觉与模式识别
2022-07-21 v2
摘要
我们提出了一种基于优化的新范式，用于在图像和扫描数据上进行三维人体模型拟合。与现有直接从输入图像回归低维统计身体模型（如 SMPL）参数的方法不同，我们训练了一个逐顶点神经场网络集成。该网络基于在当前顶点投影处提取的神经特征，以分布式方式预测朝向真实值的顶点下降方向。在推理时，我们将这一称为 LVD 的网络置于梯度下降优化流程中运行直至收敛，即使将所有顶点初始化为单一点，通常也只需不到一秒即可收敛。充分的评估表明，我们的方法能够捕捉具有截然不同体形的着装人体 underlying body，相比最先进水平实现了显著改进。LVD 同样适用于人体与手部的三维模型拟合，对此我们展示了以更简洁、更快速的方法对 SOTA 的显著改进。
引用
@article{arxiv.2205.06254,
title = {Learned Vertex Descent: A New Direction for 3D Human Model Fitting},
author = {Enric Corona and Gerard Pons-Moll and Guillem Alenyà and Francesc Moreno-Noguer},
journal= {arXiv preprint arXiv:2205.06254},
year = {2022}
}
备注
Project page: https://www.iri.upc.edu/people/ecorona/lvd/