MPI-INF-3DHP
PulseAugur coverage of MPI-INF-3DHP — every cluster mentioning MPI-INF-3DHP across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
PRGCN论文提出跨序列模式复用用于3D人体姿态估计
一篇研究论文介绍了一种新颖的单目3D人体姿态估计框架——模式复用图卷积网络（PRGCN）。该方法通过学习和复用不同人体运动序列之间的模式，解决了孤立处理序列的局限性。PRGCN利用图记忆库存储姿态原型，并通过注意力机制进行动态检索，通过记忆驱动的图卷积增强了几何合理性。在Human3.6M和MPI-INF-3DHP基准上的评估表明，PRGCN取得了最先进的成果，这表明跨序列模式复用对于推动该领域的发展至关重要。
-
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。
-
超几何几何学提升三维人体姿态估计精度
研究人员开发了 HYPERPOSE，一个利用超几何几何学来更好地表示人体骨骼分层结构的新型三维人体姿态估计框架。与在欧几里得空间中运行且难以保持结构一致性的现有方法不同，HYPERPOSE 使用超几何运动相空间注意力（Hyperbolic Kinematic Phase-Space Attention）无失真地嵌入关节关系。该系统还包含一个新颖的黎曼损失套件（Riemannian loss suite）和一个不确定性加权课程（unce…
-
MixTGFormer 在三维人体姿态估计方面达到最先进水平
研究人员开发了一种名为 MixTGFormer 的新方法用于三维人体姿态估计，旨在改进现有的基于 Transformer 的方法。这种新颖的网络将图卷积网络 (GCN) 集成到其 Transformer 架构中，以更好地捕捉局部骨骼关系和全局时空动态。在 Human3.6M 和 MPI-INF-3DHP 基准数据集上的实验表明，MixTGFormer 取得了最先进的成果，优于其他方法。