基于单张2K分辨率图像的高保真3D人体数字化

高质量的3D人体重建需要高保真度和大规模的训练数据以及能够有效利用高分辨率输入图像的适当网络设计。为了解决这些问题，我们提出了一种简单而有效的3D人体数字化方法，称为2K2K。该方法构建了一个大规模的2K人体数据集，并从2K分辨率图像中推断出3D人体模型。所提出的方法分别恢复了人体的整体形状及其细节。低分辨率深度网络从低分辨率图像中预测整体结构，而分部位的图像到法线网络则预测3D人体结构的细节。高分辨率深度网络将整体3D形状和详细结构合并，以推断出高分辨率的正面和背面深度图。最后，使用现成的网格生成器重构完整的3D人体模型，相关代码可在https://github.com/SangHunHan92/2K2K 获取。此外，我们还提供了2,050个包含纹理贴图、3D关节和SMPL参数（Standard Mesh Parameterization and Linear Blend Skinning）的人体模型供研究使用。在实验中，我们在多个数据集上展示了该方法相对于近期工作的竞争力。