HyperAIHyperAI
منذ 15 أيام

الاسترجاع الثلاثي الأبعاد للشبكة البشرية مع التوافق الكثيف

Wang Zeng, Wanli Ouyang, Ping Luo, Wentao Liu, Xiaogang Wang
الاسترجاع الثلاثي الأبعاد للشبكة البشرية مع التوافق الكثيف
الملخص

تقدير الشبكة ثلاثية الأبعاد للجسم البشري من صورة ثنائية الأبعاد واحدة هو مهمة مهمة تمتلك العديد من التطبيقات مثل الواقع المعزز والتفاعل بين الإنسان والروبوت. ومع ذلك، فإن الدراسات السابقة استخدمت ميزات صورة عالمية مستخرجة باستخدام الشبكة العصبية التلافيفية (CNN) لإعادة بناء الشبكة ثلاثية الأبعاد، حيث يفتقر التماثل الكثيف بين سطح الشبكة وبيكسلات الصورة، مما يؤدي إلى حل غير مثالي. تقدم هذه الورقة إطارًا لتقدير الشبكة البشرية ثلاثية الأبعاد دون الحاجة إلى نموذج، يُسمى DecoMR، والذي يُنشئ بشكل صريح التماثل الكثيف بين الشبكة والميزات المحلية للصورة في الفضاء UV (أي الفضاء ثنائي الأبعاد المستخدم لرسم الخرائط النسيجية للشبكة ثلاثية الأبعاد). يقوم DecoMR أولاً بتنبؤ خريطة التماثل الكثيف بين البيكسلات والسطح (أي صورة IUV)، ثم يتم من خلالها نقل الميزات المحلية من فضاء الصورة إلى فضاء UV. بعد ذلك، تُعالج الميزات المحلية المُحولة في فضاء UV للحصول على خريطة مواقع، تكون محاذاة جيدًا مع الميزات المحولة. وأخيرًا، يتم إعادة بناء الشبكة ثلاثية الأبعاد للجسم البشري من خريطة المواقع المتنبأة باستخدام دالة تعيين مُحددة مسبقًا. كما لاحظنا أيضًا أن خريطة UV الحالية، التي تتميز بانقطاعها، غير ملائمة لتعلم الشبكة العصبية. لذلك، نقترح خريطة UV جديدة تحافظ على معظم العلاقات المجاورة على سطح الشبكة الأصلية. تُظهر التجارب أن التماثل المحلي للميزات والخريطة UV المستمرة التي نقترحها تتفوق على الطرق القائمة على الشبكات ثلاثية الأبعاد في العديد من المعايير العامة. سيتم إتاحة الشفرة المصدرية على الرابط: https://github.com/zengwang430521/DecoMR

الاسترجاع الثلاثي الأبعاد للشبكة البشرية مع التوافق الكثيف | أحدث الأوراق البحثية | HyperAI