3D重建论文阅读-CVPR2022（1-1）

灵山岛主-

已于 2022-03-30 11:55:58 修改

阅读量2.1k

点赞数 1

分类专栏： 3D重建论文阅读文章标签：计算机视觉

于 2022-03-30 11:49:39 首次发布

本文链接：https://blog.csdn.net/fushanshizhe/article/details/123832804

版权

本文介绍了H4D模型，一种结合先验和自由形式方法的4D人体模型，用于动态3D人体表示。通过神经网络学习，该模型能够捕捉时间信息，改善运动和几何细节的重建，尤其在处理手指、衣物和头发等细节方面表现出优势。文章对比了现有方法，展示了在4D重建和运动恢复方面的优越性能，并探讨了模型的应用，如运动重定向和完成。

摘要由CSDN通过智能技术生成

H4D:Human4DModelingbyLearningNeuralCompositionalRepresentation

前言

基于深度学习的3D重建展示出了很好的效果，但基于细节几何的4D人体获取的直接学习技术很少被研究。本文给出了一个新的工作框架，基于SMPL参数模型来获得人体信息的先验，本工作可以有效学习一种紧凑的和结合的动态人体表示。我们的模型称为H4D，通过一个时间跨度来表示动态3D人体，一个简单而有效的线性运动估计，接着被每帧动作和几何信息做编码，从技术上，介绍了新型的GRU架构来方便学习和提高表达能力。
基于SMPL的参数表示3D人体模型被广泛应用和研究，对于跟人相关的任务比如自讨估计和人体形状fitting等有重要影响。然而，

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。然而，这些表示对于动态信号比如3D运动人体来说是不够的，因为时间信息未被捕获。
作为解决方案，4D表示被提出来，并可分为自由形式和基于先验的方法，依赖于3D表示。人体先验信息不容易被模型化，这些方法的重建结果包含明显的几何缺陷比如缺少手、和模型误差积累更迅速。另一方面，基于先验的方法都被SMPL参数模型驱动。
本文中，我们提出了H4d模型，一种新型的人体4D模型表达，结合了先验与自由形式的解决方法。为了反映构成性质，我们对人体的每个时间序列进行编码，编码表示人体的形状、初始姿态和时间维度的运动，然后可通过解码器来重建输入序列。该解码器的核心是一个从SMPL扩展