SRHand：基于视图/姿态感知神经图像表示与显式 3D 网格的手部图像与 3D 形状超分辨率
计算机视觉与模式识别
2025-09-29 v1
摘要
重建精细的手部虚拟形象在各种应用中发挥着至关重要的作用。虽然先前的工作致力于捕捉高保真的手部几何结构，但它们严重依赖高分辨率多视图图像输入，且难以泛化到低分辨率图像上。目前已有多视图图像超分辨率方法被提出以增强 3D 视图一致性。然而，这些方法仅限于固定分辨率的静态物体/场景，不适用于铰接式可变形手部。在本文中，我们提出了 SRHand（超分辨率手部），这是一种从低分辨率图像中重建手部精细 3D 几何结构及纹理图像的方法。SRHand 结合了隐式图像表示与显式手部网格的优势。具体而言，我们引入了一种几何感知隐式图像函数（GIIF），通过对粗略输入图像进行上采样来学习精细的手部先验。通过联合优化隐式图像函数和显式 3D 手部形状，我们的方法在上采样后的手部图像之间保持了多视图和姿态一致性，并实现了精细的 3D 重建（皱纹、指甲）。在使用 InterHand2.6M 和 Goliath 数据集的实验中，我们的方法在定量和定性上均显著优于适配于手部数据集的最先进图像上采样方法和 3D 手部重建方法。项目页面：https://yunminjin2.github.io/projects/srhand
引用
@article{arxiv.2509.21859,
title = {SRHand: Super-Resolving Hand Images and 3D Shapes via View/Pose-aware Neural Image Representations and Explicit 3D Meshes},
author = {Minje Kim and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:2509.21859},
year = {2025}
}
备注
10 pages, 6 figures