DGHMesh：大规模双雷达 mmWave 数据集与面向泛化性的基准测试用于人类网格重建
计算机视觉与模式识别
2026-04-28 v1 机器学习
摘要
毫米波（mmWave）雷达显示出巨大的潜力用于无接触、隐私保留且稳健的人类感知，但现有基于 mmWave 的人类网格重建（HMR）研究仍受限于缺乏用于配置迁移下泛化分析和不同算法公平比较的基准测试。为此，我们提出DGHMesh，一个大规模双雷达 mmWave 数据集和面向泛化性的基准测试，用于 HMR。数据集包含来自 15 名受试者的 8 项动作数据，收集了 36 万同步帧，来自 FMCW 雷达、SFCW 雷达、RGB 图像以及高精度 3D HMR 标注。此外，数据集提供来自两种雷达模态的同步原始 I/Q 数据，并准确标定雷达空间位置。基准测试设计用于评估在 diverse 测量配置下的 HMR 方法，包括人类位置偏移、人类姿态偏移、子阵列大小变化以及跨受试者情景。基于DGHMesh，我们还提出mmPTM，一个基于查询的多雷达融合框架，联合利用点云和成像管道进行 HMR。开展了在不同情景下的大量基准测试。结果显示，mmPTM 在多个子基准测试中始终实现卓越的精度和具竞争力的泛化能力，验证了多雷达融合的有效性以及我们提出的数据集和基准测试对 mmWave-based HMR 研究的实际价值。DGHMesh 和 mmPTM 已公开于 https://github.com/SPIresearch/DGHMesh。（完整基准测试与代码将在论文发布后公开）
引用
@article{arxiv.2604.22826,
title = {Shape: A Self-Supervised 3D Geometry Foundation Model for Industrial CAD Analysis},
author = {Bayangmbe Mounmo and Sam Chien and Mile Mitrovic},
journal= {arXiv preprint arXiv:2604.22826},
year = {2026}
}
备注
19 pages, 2 figures