Diff HMR

DIFF-HMR：基於擴散的人網恢復（ICCV'23，CV4Metaverse Workshop）

這是以下論文中描述的方法的官方Pytorch實施：

使用擴散模型的概率人網恢復概率的生成方法
Hanbyel Cho和Junmo Kim
IEEE/CVF國際計算機視覺會議（ICCV），2023年，CV4Metaverse Workshop

抽象的

這項工作重點是從給定的2D圖像重建3D人體網格的問題。儘管人類網格恢復任務的固有歧義，但大多數現有作品還是採用了一種回歸單個輸出的方法。相比之下，我們提出了一個生成的方法框架，稱為“基於擴散的人網恢復（DIFF-HMR）”，該框架利用了降解的擴散過程來說明多個合理的結果。在訓練階段，SMPL參數從地面真相參數擴散到隨機分佈，DIFF-HMR了解了此擴散的反向過程。在推論階段，模型將給定的隨機SMPL參數逐漸完美成與輸入圖像對齊的相應參數。 DIFF-HMR是一種生成方法，能夠為輸入噪聲而產生不同的輸入圖像的不同結果。我們進行驗證實驗，結果表明，所提出的框架以概率方式有效地模擬了人網恢復任務的固有歧義。

依賴性

在繼續之前，請確保已安裝以下依賴關係：

• Python 3+分佈
• pytorch> = 0.4.0

執照

這項工作是根據CC BY-NC許可的。有關詳細信息，請參見許可證。第三方數據集受其各自許可的約束。如果您在研究中使用我們的代碼/模型，請引用我們的論文：

 @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}
}

致謝

我們的代碼的一部分是從旋轉和脫氧 - 擴散式託管中藉來的。
請參閱其項目頁面以獲取更多信息。