CVPR2022| BodyMap可用于换装，Vision Transformers 又立功！

整理：AI算法与图像处理

CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo

欢迎关注公众号 AI算法与图像处理，获取更多干货：

大家好,  最近正在优化每周分享的CVPR论文, 目前考虑按照不同类别去分类,方便不同方向的小伙伴挑选自己感兴趣的论文哈

欢迎大家留言其他想法,  合适的话会采纳哈! 求个三连支持一波哈

Updated on : 19 May 2022

total number : 1

BodyMap: Learning Full-Body Dense Correspondence Map

• 论文/Paper: http://arxiv.org/pdf/2205.09111

• 代码/Code: None

摘要

人类之间的密集对应承载了强大的语义信息，可用于解决全身理解的基本问题，例如自然场景下表面匹配、跟踪和重建。

在本文中，我们提出了 BodyMap，这是一个新的框架，用于在穿着衣服的人的自然图像和 3D 模板模型的表面之间获得高清全身和连续密集对应关系。对应关系涵盖手和头发等精细细节，同时捕捉远离身体表面的区域，例如宽松的衣服。用于估计这种密集表面对应关系的现有方法 i) 将 3D 身体切割成展开到 2D UV 空间的部分，沿部分接缝产生不连续性，或 ii) 使用单个表面来表示整个身体，但没有处理身体细节。

在这里，我们介绍了一种带有Vision Transformers的新型网络架构，它可以在连续的身体表面上学习精细级别的特征。BodyMap 在各种指标和数据集（包括 DensePose-COCO）上的表现大大优于先前的工作。此外，我们展示了各种应用，包括多层密集布对应、具有新视图合成的神经渲染和外观交换。

BodyMap 模型架构

给定一个 RGB 图像作为输入，我们首先提取连续的表面嵌入 [1]，然后将其馈送到视觉转换器。我们将这些特征与从各自的外观编码器中提取的特征相结合，并将它们馈送到解码器，该解码器以高精度为穿衣人体的每个像素建立密集的表面对应关系。

定性结果

换装应用