STAR：稀疏训练的关节化人体回归模型
计算机视觉与模式识别
2020-08-20 v1
摘要
SMPL 人体模型被广泛用于 3D 人体姿态与形状的估计、合成及分析。尽管流行，我们指出 SMPL 存在若干局限，并引入了在定量与定性上均优于 SMPL 的 STAR。首先，SMPL 因其使用全局混合形状而具有海量参数。这些稠密姿态校正偏移将网格上每个顶点与运动学树中所有关节相关联，捕获了虚假的长程关联。为此，我们定义逐关节姿态校正并学习受各关节运动影响的网格顶点子集。该稀疏表述带来更真实的形变，并将模型参数数量显著减至 SMPL 的 20%。在与 SMPL 相同数据上训练时，STAR 尽管参数少得多却泛化更好。其次，SMPL 将姿态依赖形变与身体形状解耦，而现实中不同形状的人形变不同。因此，我们学习依赖于身体姿态与 BMI 的形状依赖姿态校正混合形状。第三，我们表明 SMPL 的形状空间不足以捕捉人类群体的差异。我们通过以额外 10,000 个男女受试者扫描数据训练 STAR 来解决此问题，并表明这带来更好的模型泛化。STAR 紧凑、对新人体泛化更好，且可作为 SMPL 的直接替代。STAR 已公开供研究使用：http://star.is.tue.mpg.de。
引用
@article{arxiv.2008.08535,
title = {STAR: Sparse Trained Articulated Human Body Regressor},
author = {Ahmed A. A. Osman and Timo Bolkart and Michael J. Black},
journal= {arXiv preprint arXiv:2008.08535},
year = {2020}
}
备注
ECCV 2020