Diff HMR

DIFF-HMR：基于扩散的人网恢复（ICCV'23，CV4Metaverse Workshop）

这是以下论文中描述的方法的官方Pytorch实施：

使用扩散模型的概率人网恢复概率的生成方法
Hanbyel Cho和Junmo Kim
IEEE/CVF国际计算机视觉会议（ICCV），2023年，CV4Metaverse Workshop

抽象的

这项工作重点是从给定的2D图像重建3D人体网格的问题。尽管人类网格恢复任务的固有歧义，但大多数现有作品还是采用了一种回归单个输出的方法。相比之下，我们提出了一个生成的方法框架，称为“基于扩散的人网恢复（DIFF-HMR）”，该框架利用了降解的扩散过程来说明多个合理的结果。在训练阶段，SMPL参数从地面真相参数扩散到随机分布，DIFF-HMR了解了此扩散的反向过程。在推论阶段，模型将给定的随机SMPL参数逐渐完美成与输入图像对齐的相应参数。 DIFF-HMR是一种生成方法，能够为输入噪声而产生不同的输入图像的不同结果。我们进行验证实验，结果表明，所提出的框架以概率方式有效地模拟了人网恢复任务的固有歧义。

依赖性

在继续之前，请确保已安装以下依赖关系：

• Python 3+分布
• pytorch> = 0.4.0

执照

这项工作是根据CC BY-NC许可的。有关详细信息，请参见许可证。第三方数据集受其各自许可的约束。如果您在研究中使用我们的代码/模型，请引用我们的论文：

 @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}
}

致谢

我们的代码的一部分是从旋转和脱氧 - 扩散式托管中借来的。
请参阅其项目页面以获取更多信息。