人間メッシュ回復のための確率モデル

本論文は、2D証拠から3Dヒューマン再構成の問題に焦点を当てています。この問題は本質的に曖昧であるにもかかわらず、最近の多くの研究では不確実性モデリングを避けて、一般的に単一の推定値を入力に対して回帰しています。それに対して、本研究では再構成の曖昧性を受け入れることを提案し、問題を入力から妥当な3Dポーズ分布へのマッピング学習へと再定義します。我々のアプローチは正規化フローモデルに基づいており、一連の利点を提供します。従来のアプリケーションにおいては、単一の3D推定値が必要となる場合でも、我々の定式化により効率的なモード計算が可能となります。モードを使用することで、決定論的な単峰回帰モデルの中で最先端と比較可能な性能を得ることができます。同時に、各サンプルの尤度にアクセスできるため、予測の確率的性質をより正確な推定のために利用する一連の下流タスクにおいても有用であることを示しています。これらのタスクには複数視点からの未キャリブレーション再構成やヒューマンモデルフィッティングが含まれます。後者では我々のモデルがメッシュ回復用強力な画像ベース事前情報として機能します。我々の結果は確率的モデリングの重要性を検証し、様々な設定における最先端性能を示唆しています。コードおよびモデルは以下のURLで公開されています: https://www.seas.upenn.edu/~nkolot/projects/prohmr。注：「未キャリブレーション」（uncalibrated）という表現は、「カメラパラメータが未知」または「カメラが調整されていない」という意味を持ちます。また、「事前情報」（prior）とはベイジアン統計における事前分布に対応する概念です。