视角不变的 3D 人体姿态估计
计算机视觉与模式识别
2019-01-31 v1
摘要
深度网络近期的成功显著推进了从 2D 图像进行的 3D 人体姿态估计。然而，拍摄视角的多样性以及人体姿态的灵活性仍是一些重大挑战。在本文中，我们提出一个视角不变的 3D 人体姿态估计模块，以缓解视角多样性的影响。该框架由一个提供 3D 姿态初始估计的基础网络、在其之上的视角不变分层校正网络（VI-HC）以在一致视角下学习 3D 姿态细化，以及一个视角不变判别网络（VID）以对身体构型施加高层约束组成。在 VI-HC 中，初始 3D 姿态输入被自动变换到一致视角，以分别在全局身体和局部身体部位层面进行进一步细化。对于 VID，在一致视角下，我们使用对抗学习来区分估计姿态与真实姿态，以避免不合理的 3D 姿态。实验结果表明，一致视角能显著提升性能。我们的模块对不同 3D 姿态基础网络表现出鲁棒性，并在公开 3D 姿态估计基准 Human3.6M 上比较强基线实现了显著改进（约 9%）。
引用
@article{arxiv.1901.10841,
title = {View Invariant 3D Human Pose Estimation},
author = {Guoqiang Wei and Cuiling Lan and Wenjun Zeng and Zhibo Chen},
journal= {arXiv preprint arXiv:1901.10841},
year = {2019}
}