Tout le monde est unique : Vers une récupération de maillage humain sans biais

Nous abordons le problème de la récupération de maillages humains obèses, c'est-à-dire l'ajustement d'un maillage humain paramétrique à des images de personnes obèses. Bien que la modélisation de maillages pour les personnes obèses soit un problème important avec de nombreuses applications (par exemple, dans le domaine de la santé), les progrès récents en matière de récupération de maillages ont principalement concerné des images de personnes non obèses. Dans ce travail, nous identifions cette lacune cruciale dans la littérature actuelle en présentant et en discutant les limites des algorithmes existants. Ensuite, nous proposons une ligne de base simple pour résoudre ce problème, qui est évolutive et peut être facilement intégrée aux algorithmes existants afin d'améliorer leurs performances. Enfin, nous présentons un algorithme d'optimisation généralisé du maillage humain qui améliore considérablement les performances des méthodes existantes sur les images de personnes obèses ainsi que sur les jeux de données standards reconnus par la communauté. Une innovation clé de cette technique est qu'elle ne nécessite pas la supervision par des paramètres de maillage coûteux à créer. Au lieu de cela, partant des annotations de points clés 2D largement et facilement disponibles, notre méthode génère automatiquement des paramètres de maillage qui peuvent ensuite être utilisés pour réentraîner et affiner n'importe quel algorithme existant d'estimation du maillage. De cette façon, nous montrons que notre méthode s'intègre comme une solution plug-and-play pour améliorer les performances d'une large gamme d'algorithmes contemporains d'estimation du maillage. Nous menons des expériences approfondies sur plusieurs jeux de données comprenant à la fois des images standard et des images de personnes obèses, démontrant ainsi l'efficacité des techniques proposées.