面向野外三维人体网格估计的更优三维伪真值的三条经验方法
计算机视觉与模式识别
2023-04-12 v1
摘要
在野外恢复三维人体网格极具挑战性，因为野外（ITW）数据集仅提供二维姿态真值（GTs）。近年来，三维伪真值被广泛用于训练三维人体网格估计网络，因其使得在ITW数据集上训练网络时可使用三维网格监督。然而，尽管三维伪真值潜力巨大，迄今尚无广泛分析研究哪些因素对构建更有益的三维伪真值至关重要。本文提供三条经验方法以获取ITW数据集上高度有益的三维伪真值。主要挑战在于获取三维伪真值时仅允许基于二维的弱监督。我们的三条经验方法分别应对以下方面的挑战：深度歧义、弱监督的次优性，以及不合理的关节姿态。实验结果表明，仅用我们的新三维伪真值重新训练最先进的网络，无需额外技巧即可将其性能提升至新高度。三维伪真值已公开于 https://github.com/mks0601/NeuralAnnot_RELEASE。
引用
@article{arxiv.2304.04875,
title = {Three Recipes for Better 3D Pseudo-GTs of 3D Human Mesh Estimation in the Wild},
author = {Gyeongsik Moon and Hongsuk Choi and Sanghyuk Chun and Jiyoung Lee and Sangdoo Yun},
journal= {arXiv preprint arXiv:2304.04875},
year = {2023}
}
备注
Published at CVPRW 2023