《Multi-View Consistency Loss for Improved Single-Image 3D Reconstruction of Clothed People》
我们提出了一种新的方法,以提高从一个单一图像三维重建服装人体形状的精度。最近的工作引入了体积、隐式和基于模型的形状学习框架,用于从一个或多个图像重建对象和人。然而,由于服装、头发、身体大小、姿势和相机视点导致形状的巨大变化,服装人体重建的准确性和完整性受到限制。本文介绍了克服这一局限性的两项进展:一是新的真实服装人合成数据集3DVH;其次,提出了一种新的多视角损失函数,用于训练单目立体形状估计,该函数被证明可以显著提高泛化和重建精度。演示了使用不同自然背景渲染的真实服装3D人体模型的3DVH数据集,以允许从真实的人体图像重建。对人的合成图像和真实图像的综合比较性能评估表明,所提出的方法显著优于先前基于最新学习的单图像3D人体形状估计方法,从而显著提高了重建精度、完整性和质量。代码和数据集可在项目网站上找到:https://akincaliskan3d.github.io/MV3DH/。
《Towards Accurate 3D Human Body Reconstruction from Silhouettes》
我们提出了一种新的计算机视觉系统,用于从二维图像重建三维人体形状,目标是从一对图像中产生高精度的测量。我们采用有监督的学习方法,通过卷积神经网络(CNN)将轮廓图像映射到3D身体形状。与以前的方法相比,我们提出了三个关键改进:(1)大规模真实合成数据生成,包括分割噪声和相机视点的更真实变化。(2) 一种多任务学习(MTL)方法,用于预测多个输出,例如形状、三维关节位置、姿势角度和身体体积。(3) 一种新的网络体系结构,它还将已知的身体测量值(例如高度)和每像素分割置信度作为输入。消融研究表明,由于我们系统的各种组件,精度有所提高。结果表明,我们的系统在体围误差方面产生了最先进的结果。我们还分析了真实相机、背景和姿势变化情况下系统的重复性。我们的系统在CAESAR数据集上的顶点标准偏差为3mm。
更多计算机视觉与图形学相关资料,请关注微信公众号:计算机视觉与图形学实战
论文下载请在公众号内回复:paper
如果您认为上面的内容对您有一定的价值,可以对我们进行小小的赞助,来支持我们的工作,因为后续打算构建自己的网站,谢谢: