BriefGPT - AI 论文速递
·
MPL：从多视角二维姿态提升三维人类姿态
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
该文章介绍了一种新的无监督学习方法LInKs，用于从2D运动骨架恢复3D人体姿势，即使存在遮挡。该方法通过提升2D姿势到3D领域并填充遮挡部分来实现更准确的结果。该方法改善了正态化流的稳定性和似然估计，并降低了远距离关键点的相关性。在各种遮挡场景下，该方法表现出多样性和适用性。准确性提高了7.9%，即使没有完整2D姿势信息，该方法仍然能够准确地获取完整的3D姿势。
🎯
关键要点
- 提出了一种新的无监督学习方法LInKs，用于从2D运动骨架恢复3D人体姿势。
- 该方法通过两步过程提升被遮挡的2D姿势到3D领域，并填充遮挡部分。
- 提升-填充方法相比于仅在2D空间中完成姿势的模型，能够带来更准确的结果。
- 自定义采样函数改善了正态化流的稳定性和似然估计，取代了PCA降维方法。
- 首次调查了独立提升2D运动骨架不同部分的方法，降低了提升方法的误差。
- 在各种现实遮挡场景下的评估展示了模型的多样性和适用性。
- 与其他2D空间模型相比，3D空间处理遮挡更为有效。
- 在没有遮挡的场景中，方法表现出一致的准确性，重建误差减少了7.9%。
- 该方法在没有完整2D姿势信息的情况下，仍能准确获取完整的3D姿势，具有广泛应用价值。
➡️
