Pose2Mesh：基于图卷积网络从 2D 人体姿态恢复 3D 人体姿态与网格
计算机视觉与模式识别
2021-04-28 v3
摘要
近期大多数基于深度学习的 3D 人体姿态与网格估计方法，从输入图像中回归人体网格模型（如 SMPL 与 MANO）的姿态与形状参数。这些方法的第一个弱点是由训练数据（来自实验室等受控环境）与测试数据（来自真实环境）间图像外观差异导致的表观域鸿沟问题。第二个弱点是因 3D 旋转的表示问题，姿态参数估计颇具挑战。为克服上述弱点，我们提出 Pose2Mesh，一种新颖的基于图卷积神经网络（GraphCNN）的系统，可直接从 2D 人体姿态估计人体网格顶点的 3D 坐标。2D 人体姿态作为输入提供了必要的人体关节信息，同时在两个域间具有相对同质的几何属性。此外，所提系统避免了表示问题，同时以由粗到细的方式利用 GraphCNN 充分挖掘网格拓扑。我们表明，Pose2Mesh 在各种基准数据集上优于以往的 3D 人体姿态与网格估计方法。代码见 https://github.com/hongsukchoi/Pose2Mesh_RELEASE。
引用
@article{arxiv.2008.09047,
title = {Pose2Mesh: Graph Convolutional Network for 3D Human Pose and Mesh Recovery from a 2D Human Pose},
author = {Hongsuk Choi and Gyeongsik Moon and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2008.09047},
year = {2021}
}
备注
Accepted to ECCV 2020, 22 pages