UNIF：用于着装人体重建与动画的联合神经隐式函数
计算机视觉与模式识别
2022-07-21 v1
摘要
我们提出联合隐式函数（UNIF），一种以原始扫描与骨架为输入、用于着装人体重建与动画的基于部件的方法。先前用于人体重建的基于部件的方法依赖来自 SMPL 的真实部件标签，因而仅限于极简着装人体。相反，我们的方法从身体运动中学习分离部件而非依赖部件监督，因此可推广至着装人体与其他关节物体。我们的从运动分割部件通过以骨骼为中心的初始化、骨骼限制损失以及截面法向损失实现，即便训练姿态有限也能确保稳定的部件划分。我们还提出用于 SDF 的最小周长损失以抑制额外表面与部件重叠。我们方法的另一核心是相邻部件缝合算法，其产生非刚性形变以维持部件间连接，显著缓解基于部件的伪影。在该算法下，我们进一步提出“竞争部件”，一种通过点到骨骼的相对位置而非绝对位置定义混合权重的方法，避免了带逆 LBS（线性混合蒙皮）的神经隐式函数的泛化问题。我们在 CAPE 与 ClothSeq 数据集上通过着装人体重建与动画展示了方法的有效性。
引用
@article{arxiv.2207.09835,
title = {UNIF: United Neural Implicit Functions for Clothed Human Reconstruction and Animation},
author = {Shenhan Qian and Jiale Xu and Ziwei Liu and Liqian Ma and Shenghua Gao},
journal= {arXiv preprint arXiv:2207.09835},
year = {2022}
}
备注
Accepted to ECCV 2022