将人置于其所在位置：单目回归图像中人物的三维深度

给定一张包含多人的图像，我们的目标是直接回归所有人体的姿态与形状及其相对深度。然而，在不知晓人物身高的情况下，推断图像中人物的深度在根本上具有歧义性。当场景包含体型差异极大的人物（如从婴儿到成人）时，这一问题尤为突出。为此，我们需要若干条件。首先，我们开发了一种推断单张图像中多人姿态与深度的新方法。先前估计多人的工作是在图像平面上进行推理，而我们的方法BEV增加了一个虚拟的鸟瞰图（Bird's-Eye-View）表示以显式推理深度。BEV同时推理图像中的身体中心与深度中的身体中心，并通过结合二者估计三维身体位置。与已有工作不同，BEV是一种端到端可微的单阶段方法。其次，身高随年龄变化，使得在不估计图像中人物年龄的情况下无法消解深度。为此，我们利用一个3D身体模型空间，使BEV能够推断从婴儿到成人的形状。第三，为训练BEV，我们需要一个新数据集。具体而言，我们创建了“Relative Human”（RH）数据集，其包含年龄标签及图像中人物间的相对深度关系。在RH与AGORA上的大量实验证明了模型与训练方案的有效性。BEV在深度推理、儿童形状估计及遮挡鲁棒性上均优于现有方法。代码与数据集已发布供研究使用。