无需真实网格标签从单幅图像学习非参数人体网格重建
计算机视觉与模式识别
2020-03-03 v1
摘要
非参数方法在从单目单幅图像重建三维人体网格方面已展现出有前景的结果。与使用如蒙皮多人线性模型（SMPL）之类的参数化人体模型并试图回归模型参数的先前方法不同，非参数方法放宽了对参数空间的重度依赖。然而，现有非参数方法需要以每个顶点的真实网格作为其回归目标，而获取真实网格标签代价极高。本文中，我们提出一种无需任何真实网格即可学习人体网格重建的新方法。这是通过向图卷积神经网络（Graph CNN）的损失函数中引入两项新内容而实现的。第一项是作为重建网格正则化项的拉普拉斯先验。第二项是部件分割损失，其迫使重建网格的投影区域与部件分割相匹配。在多个公开数据集上的实验结果表明，在不使用三维真实网格的情况下，所提方法优于那些需要真实网格用于训练的先前最优方法。
引用
@article{arxiv.2003.00052,
title = {Learning Nonparametric Human Mesh Reconstruction from a Single Image without Ground Truth Meshes},
author = {Kevin Lin and Lijuan Wang and Ying Jin and Zicheng Liu and Ming-Ting Sun},
journal= {arXiv preprint arXiv:2003.00052},
year = {2020}
}