هذا هو تطبيق Pytorch الرسمي للنهج الموضح في الورقة التالية:
النهج التوليدي لاستعادة الشبكات البشرية الاحتمالية باستخدام نماذج الانتشار
هانبييل تشو وجونمو كيم
المؤتمر الدولي IEEE/CVF حول رؤية الكمبيوتر (ICCV) ، 2023 ، ورشة عمل CV4Metaverse
يركز هذا العمل على مشكلة إعادة بناء شبكة جسم بشرية ثلاثية الأبعاد من صورة ثنائية الأبعاد معينة. على الرغم من الغموض المتأصل لمهمة الانتعاش الشبكي البشري ، اعتمدت معظم الأعمال الحالية طريقة لتراجع ناتج واحد. في المقابل ، نقترح إطارًا نهجًا توليديًا ، يسمى "استرداد شبكة الإنسان القائم على الانتشار (DIFF-HMR)" الذي يستفيد من عملية نشر القلوة لحساب نتائج متعددة معقولة. خلال مرحلة التدريب ، يتم نشر معلمات SMPL من معلمات الحقيقة الأرضية إلى التوزيع العشوائي ، ويتعلم Diff-HMR العملية العكسية لهذا الانتشار. في مرحلة الاستدلال ، يقوم النموذج بتحسين معلمات SMPL العشوائية المعطاة في المعلمات المقابلة التي تتماشى مع صورة الإدخال. Diff-HMR ، كونه نهجًا توليديًا ، قادر على توليد نتائج متنوعة لنفس صورة الإدخال التي تختلف ضوضاء الإدخال. نقوم بإجراء تجارب التحقق من الصحة ، وتظهر النتائج أن الإطار المقترح يصمم بشكل فعال الغموض المتأصل لمهمة استعادة الشبكة البشرية بطريقة احتمالية.

تأكد من تثبيت التبعيات التالية قبل المتابعة:
هذا العمل مرخص بموجب CC BY-NC. انظر الترخيص للحصول على التفاصيل. تخضع مجموعات بيانات الطرف الثالث لتراخيص كل منها. إذا كنت تستخدم الكود/النماذج في بحثك ، فيرجى الاستشهاد بورقة:
@InProceedings{Cho_2023_ICCV,
author = {Cho, Hanbyel and Kim, Junmo},
title = {Generative Approach for Probabilistic Human Mesh Recovery Using Diffusion Models},
booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops},
month = {October},
year = {2023},
pages = {4183-4188}
}
يتم استعارة جزء من رمزنا من الدوران و diffification-diffusion-pytorch.
يرجى الرجوع إلى صفحات المشروع لمزيد من المعلومات.