从合成环境中学习稠密对应关系
计算机视觉与模式识别
2022-03-25 v1 图形学
机器学习
摘要
从单幅图像估计人体形状与姿态是一项具有挑战性的任务。将识别出的人体形状映射到三维人体模型上则是一个更为困难的问题。现有方法将真实二维图像中人工标注的人体像素映射到三维表面，这容易产生人为误差，且可用标注数据的稀疏性常导致次优结果。我们提出通过训练使用自动生成的合成数据来解决数据稀缺问题，该合成数据具有已知且稠密的二维-三维对应关系。这种使用合成环境的学习策略对真实世界数据具有很高的泛化潜力。利用不同的相机参数变化、背景与光照设置，我们创建了构成更宽泛分布的精确真值数据。我们使用 COCO 数据集与验证框架评估了在合成数据上训练的模型性能。结果表明，在合成数据上训练二维-三维映射网络模型是使用真实数据的一个可行替代方案。
引用
@article{arxiv.2203.12919,
title = {Learning Dense Correspondence from Synthetic Environments},
author = {Mithun Lal and Anthony Paproki and Nariman Habili and Lars Petersson and Olivier Salvado and Clinton Fookes},
journal= {arXiv preprint arXiv:2203.12919},
year = {2022}
}
备注
Submitted to ICIP 2022