要点:
通过2D图像估计3D人体姿态和形状是一个具有挑战性的任务，因为存在深度模糊、遮挡和不寻常的服装等问题。
传统方法在估计不确定性时存在一些限制，而POCO框架提供了一种改进方法，可以在单个前向传递中同时推断姿态参数和不确定性。
POCO框架引入了条件向量和图像特征来提高基本密度函数的建模，同时通过SMPL姿势来调整网络，从而提高了姿态重建和不确定性估计的准确性。
站长之家（ChinaZ.com）10月16日 消息:人体姿态和形状（HPS）的三维估计是重建现实世界中的人体行为所必需的。然而，从二维图像进行三维推断面临深度模糊、遮挡、不寻常的服装和运动模糊等挑战。即使最先进的HPS方法也会出现错误，通常对这些错误不太了解。
HPS是一个中间任务，提供了下游任务所需的输出，如理解人类行为或三维图形应用。这些下游任务需要一种机制来评估HPS结果的准确性，因此这些方法必须生成与HPS质量相关的不确定性（或置信度）值。
项目地址:https://poco.is.tue.mpg.de/
POCO框架的核心创新是"双重条件策略（DCS）"，它增强了基本密度函数和规模网络。与先前的方法不同，POCO引入了一个条件向量(Cond-bDF)来建模推断的姿态误差的基本密度函数。POCO利用图像特征进行条件化，使其能够更好地适应多样性和复杂的图像数据集的训练。
此外，POCO的作者们引入了一种改进的方法，用于在HPS模型中估计不确定性。他们利用图像特征并将网络与SMPL姿态相结合，从而提高了姿态重建和更好的不确定性估计。他们的方法可以无缝集成到现有的HPS模型中，提高准确性而没有副作用。该研究声称这种方法在将不确定性与姿态错误相关方面优于最先进的方法。
POCO框架是一个创新的AI工具，用于三维人体姿态和形状的估计。它通过引入双重条件策略，改进基本密度函数和规模网络，显著提高了估计的准确性。这一方法可以应用于多样性和复杂图像数据集，使其成为一种有望推动人体行为分析和三维图形应用的关键技术。如果您对此感兴趣，不妨查看相关链接以了解更多详情。
（举报）
