CVPR 2020: VIBE: Video Inference for Human Body Pose and Shape Estimation 论文笔记

CVPR 2020: VIBE: Video Inference for Human Body Pose and Shape Estimation 阅读随笔_mathlxj的博客-CSDN博客论文地址Github地址以下为我的OneNote阅读笔记，为图片格式，留言/邮件可发原文件.https://blog.csdn.net/mathlxj/article/details/104839129?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163607406116780357237436%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=163607406116780357237436&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-104839129.first_rank_v2_pc_rank_v29&utm_term=VIBE%3A+Video+Inference+for+Human+Body+Pose+and+Shape+Estimation&spm=1018.2226.3001.4187【论文阅读】VIBE 基于视频的人体3D形状和姿态估计_屿十_-CSDN博客论文原文：https://arxiv.org/pdf/1912.05656.pdf一、介绍1、之前的方法与局限性方法将室内3D数据集与具有2D地面真实或伪地面真实关键点标注的视频相结合；局限性室内三维数据集在对象数量、运动范围和图像复杂度方面受到限制；用地面真实二维姿态标记的视频量仍然不足以训练深层网络；伪地面真实二维标签对于三维人体运动建模不可靠。2、现有方法的问题缺乏带标注的3D人体姿态和形态估计的数据集现有的方法不够完善，无法捕获到人类实际运动的复杂性和可变性，https://blog.csdn.net/qq_42366123/article/details/108148121上面两篇博客基本将论文解释清楚了，但是还有一些疑问和细节

1.具体的对抗训练是怎么体现的，固定姿态生成器训练运动辨别器，和固定运动辨别器训练姿态生成器？应该代码中是交替更迭训练。

2.

 运动判别器部分按照图中所示，是否可以这样理解：将AMASS的pose输入到判别器中计算一个loss，再将生成器中的pose输入到判别器中输出一个loss，最后两个loss相加进行优化。

3. MPose模块具体什么意思还不太懂，需要读代码

4.对抗学习的思路借鉴了HMR的工作https://arxiv.org/pdf/1712.06584.pdf，使用的数据集没有真实的3D标注，只有2D的标注

HMR:【论文简介】关于深度学习下的人体姿态三维重建（1）_weixin_44599751的博客-CSDN博客文献论文的调研1.End-to-end Recovery of Human Shape and Pose功能快捷键插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入论文的调研去年...https://blog.csdn.net/weixin_44599751/article/details/88877811?ops_request_misc=&request_id=&biz_id=102&utm_term=HMR%E5%A7%BF%E6%80%81%E4%BC%B0%E8%AE%A1&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-8-88877811.first_rank_v2_pc_rank_v29&spm=1018.2226.3001.4187