⏶13
ATLAS：解耦骨骼和形状参数，实现富有表现力的参数化人体建模
发表
由 
taesiri 提交
taesiri 提交作者: Jinhyung Park, Javier Romero, Shunsuke Saito, Fabian Prada, 
Takaaki Shiratori, Yichen Xu, Federica Bogo, Shoou-I Yu, Kris Kitani, 
Rawal Khirodkar
Takaaki Shiratori, Yichen Xu, Federica Bogo, Shoou-I Yu, Kris Kitani, Rawal Khirodkar摘要
参数化人体模型能够跨越广泛的姿势、形状和面部表情提供富有表现力的人体 3D 表示，这通常是通过在注册的 3D 网格上学习一个基集来实现的。然而，现有的人体网格建模方法由于训练数据多样性有限和建模假设受限，在捕捉不同人体姿势和形状的详细变化方面存在困难。此外，常见的范式首先使用线性基集优化外部身体表面，然后从表面顶点回归内部骨骼关节。这种方法在内部骨骼和外部软组织之间引入了问题依赖性，限制了对身体高度和骨骼长度的直接控制。为了解决这些问题，我们提出了 ATLAS，一个从使用 240 台同步摄像机捕获的 600,000 张高分辨率扫描数据中学习到的高保真人体模型。与之前的方法不同，我们通过将网格表示固定在人体骨骼上，显式地解耦了形状和骨骼基集。这种解耦能够增强形状表现力，对身体属性进行细粒度定制，并实现独立于外部软组织特征的关键点拟合。ATLAS 通过更准确地拟合不同姿势下的未见过的主体，优于现有方法，并且定量评估表明，与线性模型相比，我们的非线性姿势校正更有效地捕捉了复杂姿势。
> 参数化人体模型能够跨越广泛的姿势、形状和面部表情，提供富有表现力的 3D 人体表示，通常是通过学习对注册的 3D 网格进行基准测试派生的。然而，现有的人体网格建模方法在捕捉不同身体姿势和形状的详细变化方面存在困难，这主要是由于训练数据多样性有限和建模假设受限。此外，通用范式首先使用线性基准来优化外部身体表面，然后从表面顶点回归内部骨骼关节。这种方法在内部骨骼和外部软组织之间引入了令人头疼的依赖关系，限制了对身体高度和骨骼长度的直接控制。为了解决这些问题，我们提出了 ATLAS，一个从使用 240 个同步相机捕获的 600k 个高分辨率扫描中学习到的高保真身体模型。与以前的方法不同，我们通过将我们的网格表示与人体骨骼挂钩，明确地将形状和骨骼基准分开。这种分离增强了形状的表现力，实现了身体属性的细粒度定制，并独立于外部软组织特征进行关键点拟合。ATLAS 通过更准确地拟合不同姿势下的未见过的主体，优于现有方法，并且定量评估表明，与线性模型相比，我们的非线性姿势校正器更能有效地捕捉复杂姿势。