3DPW
PulseAugur coverage of 3DPW — every cluster mentioning 3DPW across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架Again-Pose增强了在严峻视频条件下的3D人体姿态重建
研究人员开发了一个名为Again-Pose的新框架，用于从视频中重建3D人体姿态，特别是在运动模糊和遮挡等严峻条件下。该方法将问题重新构建为运动引导的恢复任务，识别高质量的“锚定帧”，并将可靠的运动学线索传播到退化的中间帧中以“修复”姿态。在标准基准和专用数据集上的实验表明，Again-Pose在鲁棒性和稳定性方面显著优于现有方法。
-
IMPose工具简化多人姿态标注
研究人员开发了IMPose，一个交互式工具，旨在简化视频中多人人体姿态标注的过程。该系统利用一种新颖的双层跟踪机制，将校正传播到不同帧，显著减少了手动工作量。IMPose在准确性和效率之间取得了良好的平衡，尤其是在需要最少用户输入的场景下，并将开源。
-
MuNet通过新颖的互惠网络推进3D人体重建
研究人员推出MuNet，这是一种新颖的互惠网络，旨在从单张图像中联合执行3D人体网格恢复和3D服装人体重建。该统一框架利用了这两项任务之间的相互依赖性，网格恢复指导重建，重建反馈完善网格。MuNet在训练期间利用图卷积网络和互惠机制进行相互作用。在六个基准数据集上的评估表明，MuNet在两项任务上均取得了最先进的性能，并且其代码已发布供研究使用。
-
VIMCAN网络融合Mamba和注意力机制，实现实时三维人体姿态估计
研究人员开发了VIMCAN，一种新颖的用于视觉-惯性三维人体姿态估计的混合网络。该架构集成了Mamba的高效序列建模能力和交叉注意力机制的空间推理能力，以融合RGB关键点和IMU数据。VIMCAN在TotalCapture和3DPW等基准测试中取得了最先进的准确性，优于基于Transformer的方法，同时还能在消费级硬件上实现超过60 FPS的实时推理。
-
新的AI模型InterMesh和Anny-Fit推动3D人体姿态和形状恢复
研究人员开发了InterMesh，一个多人物体姿态恢复的新框架，该框架明确纳入了人与环境的交互信息。通过用结构化的交互语义丰富查询表示，这种方法增强了姿态和形状估计，并在基准数据集上取得了显著改进。另外，Anny-Fit被引入为一个全年龄段3D人体网格恢复的多人优化框架，它联合优化个体并利用各种形式的专家知识来提高准确性和连贯性。
-
研究人员开发 LatentStealth，用于对人体姿态估计进行不可察觉的对抗性攻击
研究人员开发了一种名为 LatentStealth 的新型对抗性攻击方法，旨在利用人体姿态和形状估计模型的漏洞。与之前会产生明显视觉变化的方法不同，LatentStealth 在模型的潜在空间内进行操作，产生细微但有效的扰动。这种方法可以在最小的视觉失真的情况下创建不当或冒犯性的内容，对数字人生成技术构成重大的安全风险。