计算机科学>计算机视觉与模式识别
职务: 对抗增强的人体测量估计
摘要: 我们提出了一种人体测量网络(BMnet),用于从轮廓图像估计人体形状的三维拟人测量。 BMnet的训练是根据真实人体受试者的数据进行的,并通过一种新型的对抗性人体模拟器(ABS)进行增强,该模拟器可以发现并合成具有挑战性的身体形状。 ABS基于皮肤多人线性(SMPL)身体模型,旨在使BMnet测量预测误差相对于潜在的SMPL形状参数最大化。 ABS在这些参数方面是完全可区分的,并且通过循环中的BMnet反向传播进行端到端的训练。 实验表明,ABS有效地发现了对抗性的例子,例如具有极端体重指数(BMI)的身体,这与BMnet训练集中极少数的极端BMI身体一致。 因此,ABS能够揭示训练数据中的差距以及预测未充分呈现的体型时的潜在失败。 结果表明,与不进行增强或随机体型采样相比,使用ABS训练BMnet可将真实人体的测量预测精度提高10%。 此外,我们的方法显著优于SOTA测量估计方法,高达3倍。 最后,我们发布了BodyM,这是第一个具有挑战性的大规模真实人体照片轮廓和身体测量数据集,以进一步推动这一领域的研究。 项目网站: 此https URL