用于改进单图像着装人体三维重建的多视图一致性损失

我们提出一种新方法，以提高从单幅图像重建着装人体形状的准确性。近期工作引入了体素、隐式及基于模型的形状学习框架，用于从一幅或多幅图像重建物体与人。然而，由于服装、头发、体型、姿态和相机视角导致的形状巨大差异，着装人体重建的准确性和完整性受限。本文引入两项进展以克服该限制：其一是新的逼真着装人体合成数据集 3DVH；其二是用于训练单目体素形状估计的新型多视图损失函数，其被证明可显著改善泛化与重建精度。该具有多样自然背景的逼真着装三维人体模型 3DVH 数据集，被证明可实现向真实人物图像重建的迁移。在合成与真实人物图像上的综合对比性能评估表明，所提方法显著优于先前最先进的基于学习的单图像三维人体形状估计方法，在重建准确性、完整性和质量上取得显著提升。消融实验表明这归功于所提多视图训练与新的 3DVH 数据集。代码与数据集可在项目网站获取：https://akincaliskan3d.github.io/MV3DH/。