TailorNet：将3D服装预测为人类姿态、体形与服装风格的函数
计算机视觉与模式识别
2020-04-09 v2 图形学
摘要
在本文中，我们提出TailorNet，一种将3D服装形变预测为三个因素——姿态、体形和风格（服装几何）——之函数并保持褶皱细节的神经模型。这超越了先前的模型，后者要么特定于单一风格和体形，要么泛化到不同体形却产生平滑结果，尽管是风格特定的。我们的假设是（即使非线性的）样例组合会平滑掉高频分量（如细褶皱），这使得联合学习三个因素变得困难。我们技术的核心是将形变分解为高频分量和低频分量。低频分量由MLP从姿态、体形和风格参数预测，而高频分量由形状-风格特定的姿态模型混合预测。混合的权重通过窄带宽核计算，以保证仅组合具有相似高频模式的预测。风格变化通过在规范姿态下计算形变的子空间获得，该子空间满足如互穿和在身体上悬垂等物理约束。TailorNet所交付的3D服装保留了其所学习的基于物理的模拟（PBS）中的褶皱，同时运行速度快1000倍以上。与PBS相比，TailorNet易于使用且完全可微，这对于计算机视觉算法至关重要。若干实验表明TailorNet比先前工作产生更逼真的结果，甚至能在AMASS数据集的序列上生成时间相干的形变，尽管其训练于来自不同数据集的静态姿态。为激励该方向的进一步研究，我们将在 https://virtualhumans.mpi-inf.mpg.de/tailornet 公开包含55800帧的数据集及我们的模型。
引用
@article{arxiv.2003.04583,
title = {TailorNet: Predicting Clothing in 3D as a Function of Human Pose, Shape and Garment Style},
author = {Chaitanya Patel and Zhouyingcheng Liao and Gerard Pons-Moll},
journal= {arXiv preprint arXiv:2003.04583},
year = {2020}
}
备注
Accepted to CVPR 2020. Chaitanya Patel and Zhouyingcheng Liao contributed equally