用于多组3D人体姿态假设生成的弱监督生成网络
计算机视觉与模式识别
2020-08-14 v1
摘要
从单幅图像进行3D人体姿态估计是一个逆问题，源于缺失深度的固有模糊性。若干先前工作通过生成多个假设来解决该逆问题。然而，这些工作均为强监督，且需要难以获取的地面真实2D到3D对应。本文中，我们提出一种弱监督深度生成网络来解决该逆问题，并规避对地面真实2D到3D对应的需求。为此，我们将网络设计为建模一个提议分布，并用其来近似未知的多模态目标后验分布。我们通过最小化提议分布与目标分布之间的KL散度实现该近似，这导出一个可弱监督的2D重投影误差与先验损失项。此外，我们利用均值漂移算法将最可能解确定为样本的条件模。我们在三个基准数据集——Human3.6M、MPII和MPI-INF-3DHP上评估了我们的方法。实验结果表明，我们的方法能够生成多个可行假设，并与现有弱监督方法相比取得最先进（SOTA）结果。我们的源代码已在项目网站提供。
引用
@article{arxiv.2008.05770,
title = {Weakly Supervised Generative Network for Multiple 3D Human Pose Hypotheses},
author = {Chen Li and Gim Hee Lee},
journal= {arXiv preprint arXiv:2008.05770},
year = {2020}
}
备注
Accepted to BMVC2020