基于归一化流的弱监督三维人体姿态与形状重建
计算机视觉与模式识别
2020-08-25 v2
摘要
单目三维人体姿态和形状估计具有挑战性，原因在于人体具有众多自由度，以及在复杂视觉场景中难以获取用于大规模监督学习的训练数据。在本文中，我们提出实用的半监督和自监督模型，支持在真实世界图像和视频中进行训练和良好泛化。我们的公式基于运动学潜变量归一化流表示与动力学，以及可微的语义身体部位对齐损失函数，这些函数支持自监督学习。在使用CMU、Human3.6M、3DPW或AMASS等三维动作捕捉数据集，以及COCO等图像库的大量实验中，我们表明所提方法优于当前最优(state of the art)方法，支持基于具有多样性和不完整标注的图像与视频数据的大规模训练来实际构建准确的模型族。
引用
@article{arxiv.2003.10350,
title = {Weakly Supervised 3D Human Pose and Shape Reconstruction with Normalizing Flows},
author = {Andrei Zanfir and Eduard Gabriel Bazavan and Hongyi Xu and Bill Freeman and Rahul Sukthankar and Cristian Sminchisescu},
journal= {arXiv preprint arXiv:2003.10350},
year = {2020}
}