神经人体姿态先验
计算机视觉与模式识别
2025-07-17 v1 机器学习
摘要
我们提出了一种基于归一化流（normalizing flows）的、原则且数据驱动的人体姿态建模方法。不同于启发式或表达能力有限的替代方案，我们的方法利用 RealNVP 学习对以 6D 旋转格式表示的姿态的灵活密度。我们解决了在有效 6D 旋转的流形上建模分布的挑战，通过在训练时对 Gram-Schmidt 过程进行逆变换，实现稳定学习，同时保持与基于旋转的框架的下游兼容性。我们的架构和训练管线具有框架中立性且易于复现。我们通过定性和定量评估展示了所学习先验的有效性，并通过消融研究分析其影响。本工作为将姿态先验集成到人体运动捕捉和重建管线中提供了可靠的概率基础。
引用
@article{arxiv.2507.12138,
title = {Neural Human Pose Prior},
author = {Michal Heker and Sefy Kararlitsky and David Tolpin},
journal= {arXiv preprint arXiv:2507.12138},
year = {2025}
}
备注
Work in progress