PaMIR：基于参数化模型条件的隐式表示用于图像人体重建
计算机视觉与模式识别
2020-12-16 v2
摘要
从单张图像中准确且鲁棒地建模三维人体极具挑战性，而此类病态问题的关键在于人体模型的3D表示。为克服常规3D表示的局限性，我们提出参数化模型条件隐式表示（PaMIR），将参数化身体模型与自由形式深度隐式函数相结合。在基于PaMIR的重建框架中，提出一种新颖的深度神经网络，利用参数化模型的语义特征对自由形式深度隐式函数进行正则化，从而提升在挑战性姿态与多样服装拓扑下的泛化能力。此外，进一步引入一种新颖的景深歧义感知训练损失，以解决深度歧义，并在身体参考不完美时成功重建表面细节。最后，我们提出一种身体参考优化方法，以提高参数化模型估计精度并增强参数化模型与隐式函数之间的一致性。借助PaMIR表示，我们的框架可轻松扩展至多图像输入场景，且无需多相机标定与姿态同步。实验结果表明，在挑战性姿态与服装类型情况下，我们的方法在基于图像的3D人体重建上达到了最先进的性能。
引用
@article{arxiv.2007.03858,
title = {PaMIR: Parametric Model-Conditioned Implicit Representation for Image-based Human Reconstruction},
author = {Zerong Zheng and Tao Yu and Yebin Liu and Qionghai Dai},
journal= {arXiv preprint arXiv:2007.03858},
year = {2020}
}