POCO：用于3D人体姿势和形状估计的新型人工智能框架

fny5jt9

要点:

经过2D图像估计3D人体姿态和形状是一个拥有挑战性的任务，由于存在深度模糊、遮挡和不寻常的服装等问题。

传统办法在估计不确定性时存在有些限制，而POCO框架供给了一种改进办法，能够在单个前向传递中同期推断姿态参数和不确定性。

POCO框架引入了要求向量和图像特征来加强基本密度函数的建模，同期经过SMPL姿势来调节网络，从而加强了姿态重建和不确定性估计的准确性。

站长之家（ChinaZ.com）10月16日 信息:人体姿态和形状（HPS）的三维估计是重建现实世界中的人体行径所必需的。然而，从二维图像进行三维推断面临深度模糊、遮挡、不寻常的服装和运动模糊等挑战。即使最先进的HPS办法亦会显现错误，一般对这些错误不太认识。

HPS是一个中间任务，供给了下游任务所需的输出，如理解人类行径或三维图形应用。这些下游任务需要一种机制来评定HPS结果的准确性，因此呢这些办法必须生成与HPS质量关联的不确定性（或置信度）值。

项目位置

:https://poco.is.tue.mpg.de/

POCO框架的核心创新是"双重要求策略（DCS）"，它加强了基本密度函数和规模网络。与先前的办法区别，POCO引入了一个要求向量(Cond-bDF)来建模推断的姿态误差的基本密度函数。POCO利用图像特征进行要求化，使其能够更好地适应多样性和繁杂的图像数据集的训练。

另外，POCO的作者们引入了一种改进的办法，用于在HPS模型中估计不确定性。她们利用图像特征并将网络与SMPL姿态相结合，从而加强了姿态重建和更好的不确定性估计。她们的办法能够无缝集成到现有的HPS模型中，加强准确性而无副功效。该科研声叫作这种办法在将不确定性与姿态错误关联方面优于最先进的办法。

POCO框架是一个创新的AI工具，用于三维人体姿态和形状的估计。它经过引入双重要求策略，改进基本密度函数和规模网络，明显加强了估计的准确性。这一办法能够应用于多样性和繁杂图像数据集，使其作为一种有望推动人体行径分析和三维图形应用的关键技术。倘若您对此感兴趣，不妨查看关联链接以认识更加多详情。