关于工作的灵感及想法
一. 姿态估计的相关灵感
1. PoseCNN
3D视觉系列:PoseCNN
https://blog.csdn.net/nwu_NBL/article/details/83176353
2. Learning 3D Human Dynamics from Video
从视频中学习smpl模型参数,并可以用于单幅图像生成当前及前后帧预测模型
https://github.com/akanazawa/human_dynamics
二. 人体模型相关想法及灵感
1. SMPL
SMPL采用姿势与体型训练相分离的方法,用两个数据集求解参数空间。
姿势:事先对FAUST数据集中每个人求解出静止模板和关节位置,对每个扫描(每个人有多个扫描)求解出姿势参数,列出目标函数,将变换模型拟合到数据集扫描中,最小化顶点误差,并采用交替优化的方法求解多个参数。
体型:在对数据集姿态归一化处理后,采用PCA算法得到前十个主成分,同时得到模板
2. 线框人体模型
论文:Parametric design for human body modeling by wireframe-assisted deep learning
1.通过DNN深度网络强大的非线性表达能力将基于语义的参