绑定手机号
确认绑定
在人体重建与驱动领域,分部件重建的方法目前还缺乏探索。这类方法为人体每个部位学习一个独立的全连接网络,将网络表达的形状绑定在各个骨骼上,保持形体的局部刚性。然而分部件重建的方法往往需要部件划分的标注数据,应用场景受到些许限制,同时相邻部件之间的融合也很困难,不可避免地出现部件的重叠或断裂,在动作泛化能力上始终劣于整体重建的方法。
为此,在今年的ECCV上,慕尼黑工业大学视觉计算实验室在读博士钱深瀚等人提出一种分部件人体重建和驱动算法UNIF,借助简洁有效的初始化和正则化手段,摆脱对部件划分标签的依赖。
同时,为了避免推广至新动作时部件的重叠或断裂问题,钱深瀚博士等人还提出了邻接部件缝合算法APS,通过显式的建模相邻部件之间的相互作用,来维持部件之间的稳定连接,提升分部件重建方法对新动作的泛化能力。在CAPE和ClothSeq两个数据集上的实验表明,UNIF能够自然逼真的重建和驱动三维人体。
12月9日晚7点,「AI新青年讲座」第180讲邀请到UNIF一作、慕尼黑工业大学视觉计算实验室在读博士钱深瀚参与,主讲《摆脱标签依赖的分部件三维人体重建与驱动》。