从无约束野外多张图像中概率估计三维人体形状与姿态
计算机视觉与模式识别
2021-03-31 v2
摘要
本文研究从 RGB 图像估计三维人体形状与姿态的问题。该领域近期进展聚焦于以单张图像、视频或多视角图像作为输入。相反，我们提出一项新任务：从一组人体受试者的多张图像中估计形状与姿态，且组内图像在受试者姿态、相机视角或背景条件上无约束。我们对该任务的解决方案是预测以组内输入图像为条件的 SMPL 身体形状与姿态参数分布。我们对来自每张图像的预测身体形状分布进行概率组合，得到最终的多图像形状预测。我们表明，多图像输入组中额外的身体形状信息在 SSP-3D 数据集和一项卷尺测量人体的私有数据集上，相比单图像输入改善了三维人体形状估计指标。此外，预测三维身体的分布使我们能量化姿态预测不确定性，这在面对具有显著遮挡的困难输入图像时很有用。我们的方法在 3DPW 数据集上展现出有意义的姿态不确定性，并在姿态估计指标上与最先进水平（state-of-the-art）具有竞争力。
引用
@article{arxiv.2103.10978,
title = {Probabilistic 3D Human Shape and Pose Estimation from Multiple Unconstrained Images in the Wild},
author = {Akash Sengupta and Ignas Budvytis and Roberto Cipolla},
journal= {arXiv preprint arXiv:2103.10978},
year = {2021}
}
备注
Accepted at CVPR 2021, 16 pages, 8 figures