SVMAC：基于单视图多角度一致性的无监督单图像三维人体姿态估计
计算机视觉与模式识别
2022-04-14 v4
摘要
从二维关节恢复三维人体姿态仍是一项具有挑战性的问题，尤其是在没有任何三维标注、视频信息或多视图信息的情况下。本文提出一种基于 GAN 的无监督模型，由多个权值共享的生成器组成，可在无三维标注的情况下从单幅图像估计三维人体姿态。在我们的模型中，引入单视图多角度一致性（SVMAC）以显著提升估计性能。以二维关节位置为输入，我们的模型同时估计三维姿态和相机。在训练过程中，估计的三维姿态被随机角度旋转，估计的相机将旋转后的三维姿态投影回二维。这些二维重投影将被送入权值共享的生成器以估计相应的三维姿态和相机，随后将其混合以施加 SVMAC 约束来自我监督训练过程。实验结果表明，我们的方法在 Human 3.6M 和 MPI-INF-3DHP 上优于最先进的无监督方法。此外，在 MPII 和 LSP 上的定性结果显示我们的方法能很好地泛化到未知数据。
引用
@article{arxiv.2106.05616,
title = {SVMAC: Unsupervised 3D Human Pose Estimation from a Single Image with Single-view-multi-angle Consistency},
author = {Yicheng Deng and Cheng Sun and Jiahui Zhu and Yongqi Sun},
journal= {arXiv preprint arXiv:2106.05616},
year = {2022}
}
备注
Accpted by 3DV 2021