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