摘要
从单张图像中准确且稳健地建模三维人体非常具有挑战性，而解决这一病态问题的关键在于人体模型的三维表示。为了克服传统三维表示的局限性，我们提出了一种参数化模型条件下的隐式表示（Parametric Model-Conditioned Implicit Representation, PaMIR），该方法将参数化身体模型与自由形式的深度隐式函数相结合。在基于PaMIR的重建框架中，我们设计了一种新颖的深度神经网络，利用参数化模型的语义特征对自由形式的深度隐式函数进行正则化，从而提高了在复杂姿态和多样服装拓扑场景下的泛化能力。此外，我们进一步集成了一个新颖的深度模糊感知训练损失函数，以解决深度模糊问题，并能够在不完美的身体参考下成功重建表面细节。最后，我们提出了一种身体参考优化方法，以提高参数化模型估计的准确性，并增强参数化模型与隐式函数之间的一致性。借助PaMIR表示，我们的框架可以轻松扩展到多图像输入场景，而无需进行多摄像机校准和姿态同步。实验结果表明，在处理复杂姿态和不同服装类型的情况下，我们的方法在基于图像的三维人体重建方面达到了最先进的性能。