CVPR2021论文总体情况
共接收1663篇,接收率23.7%;
各方向大致情况如下:
- 三维重建:15篇
- 三维目标检测: 14篇
- 三维点云处理:40篇
- 位姿与手势估计: 30篇
《Reconstruction 3D Human Pose by Watching Humans in the Mirror》
首先介绍的是来自浙大CAD&CG实验室,周晓巍组的工作。具体可以到github看看https://github.com/zju3dv/Mirrored-Human
论文方法主要利用人体在镜面前,物象与镜像存在立体几何约束,从而构建重投影误差以优化对人体的建模。再者镜面角度合适,也有利于camera采集人体背面的信息,以解决传统方法上难以恢复背面的问题。
从上图很清晰地讲解了整个流程:1.输入带镜面镜像的人物全照 2.可用现有DNN方法提取骨骼特征点,并用SMPL建模(针对人体的数学建模,抽象成利于表达高矮肥瘦等的特征)估计建模参数 3.非线性优化重投影误差以得到最终建模结果
再者,作者用训练好的方法测试网上带镜像符合输入要求的照片生成伪真值的人体三维建模,构建如此的数据集以用于辅助单视角的人物建模。
带镜面的立体几何约束如图,
V
1
O
C
V
0
V_1 O_C V_0
V1OCV0为直角。
《NeuralRecon: Real-Time Coherent 3D Reconstruction from Monocula Video》
接下来的依然是浙大CAD&CG周晓巍组和商汤研究组合作的单目实时三维重建工作
https://zju3dv.github.io/neuralrecon/
网络结构比较清晰:1.连续多帧RGB图经过AUTO ENCODER学习出多层维度的特征 2.经过GRU将多层特征融合并FUSION到最终的三维模型中
《Back-tracing Representative Points for Voting-based 3D Object Detection in Point Clouds》
最后介绍一篇由港中文和北航合作的关于点云三维物体识别
- 基于Vote-Net理论:采集到的点云均在目标表面,而不是中心。所以针对表面点云的Vote点更符合卷积得到的中心点
- 针对votes点引入霍夫变换处理
- 引入Back-traced对votes进行重表达,可起到滤波去噪的作用
- 可以看到简单处理后,mAP@0.5提高明显