HyperAIHyperAI
منذ 2 أشهر

ECON: تحسين البشر الملبسين بشكل صريح من خلال دمج النورمالز

Xiu, Yuliang ; Yang, Jinlong ; Cao, Xu ; Tzionas, Dimitrios ; Black, Michael J.
ECON: تحسين البشر الملبسين بشكل صريح من خلال دمج النورمالز
الملخص

الجمع بين التعلم العميق والمسح الضوئي المُعد من قبل الفنانين والدوال الضمنية (IF) يمكّن من إنشاء نماذج بشرية ثلاثية الأبعاد مفصلة ومُلبسة من الصور. ومع ذلك، فإن الطرق الحالية بعيدة عن الكمال. تعيد طرق الدوال الضمنية (IF) هندسة حرة الشكل، ولكنها تنتج أطرافًا منفصلة أو أشكالًا متدهورة للstances الجديدة أو الملابس. لزيادة المتانة في هذه الحالات، تستخدم الأعمال الحالية نموذج جسم معلمي صريح لتحديد إعادة بناء السطح، لكن هذا يحد من استعادة الأسطح الحرة الشكل مثل الملابس الفضفاضة التي تبتعد عن الجسم. ما نريده هو طريقة تجمع بين أفضل خصائص التمثيل الضمني والتنظيم الجسدي الصريح. لهذا الغرض، نقوم بملاحظتين رئيسيتين: (1) الشبكات الحالية أفضل في استنتاج الخرائط ثنائية الأبعاد التفصيلية أكثر من الأسطح الكاملة ثلاثية الأبعاد، و(2) يمكن اعتبار النموذج المعلمي كـ "قماشة" لخياطة القطع السطحية التفصيلية معًا. على أساس هذه الملاحظات، تتكون طريقتنا ECON من ثلاثة خطوات رئيسية: (1) تستنتج خرائط الطبيعيات ثنائية الأبعاد التفصيلية لجانبي الشخص المُلبس الأمامي والخلفي. (2) تستعيد من هذه الخرائط أسطحًا أمامية وخلفية ثنائية ونصف البعد (d-BiNI)، والتي تكون مفصلة بنفس القدر ولكن غير كاملة، وتسجلها بالنسبة لبعضها البعض بمساعدة شبكة جسم SMPL-X مستعادة من الصورة. (3) تقوم بإكمال الهندسة الناقصة بين أسطح d-BiNI. إذا كانت الوجه والأيدي ضوضائية، فيمكن اختياريًا استبدالها بالوجه والأيدي الخاصة بـ SMPL-X. نتيجة لذلك، تستنتج ECON نماذج بشرية ثلاثية الأبعاد عالية الدقة حتى في الملابس الفضفاضة والأوضاع الصعبة. وهذا يتجاوز الطرق السابقة وفقًا لتقييم كمي على مجموعات البيانات CAPE وRenderpeople. كما تظهر دراسات الإدراك أن الواقعية المدركة لـ ECON أفضل بكثير. الرمز والموديلات متاحة لأغراض البحث على موقع econ.is.tue.mpg.de.

ECON: تحسين البشر الملبسين بشكل صريح من خلال دمج النورمالز | أحدث الأوراق البحثية | HyperAI