利用 2D 姿态检测器中的不确定性进行概率化 3D 人体网格恢复
计算机视觉与模式识别
2024-11-26 v1
摘要
单目 3D 人体姿态和形状估计是一个本质上不确定的问题，由于深度歧义、遮挡和截断。最近的概率方法通过最大化地面实验姿态的似然来学习对合理 3D 人体网格分布。我们表明，这一目标函数本身不足以充分捕捉完整的分布。相反，我们提出还需通过最小化距离来监督所学分布，以匹配 2D 姿态检测器中编码的分布。此外，我们揭示了当前方法常常生成不可见关节的错误假设，这些假设无法被评估协议检测到。我们演示了可以利用人员分割掩码在训练期间显著降低无效样本的数量，并引入两种指标来评估其效果。我们的基于正规化流的方法预测与图像证据一致且保持高多样性的合理 3D 人体网格假设。在 3DPW 和 EMDB 上的实验表明，我们超过了其他最先进的概率方法。代码已在 https://github.com/twehrbein/humr 提供，供科研使用。
引用
@article{arxiv.2411.16289,
title = {Utilizing Uncertainty in 2D Pose Detectors for Probabilistic 3D Human Mesh Recovery},
author = {Tom Wehrbein and Marco Rudolph and Bodo Rosenhahn and Bastian Wandt},
journal= {arXiv preprint arXiv:2411.16289},
year = {2024}
}
备注
WACV 2025