要點:

通過2D圖像估計3D人體姿態和形狀是一個具有挑戰性的任務，因為存在深度模糊、遮擋和不尋常的服裝等問題。

傳統方法在估計不確定性時存在一些限制，而POCO框架提供了一種改進方法，可以在單個前向傳遞中同時推斷姿態參數和不確定性。

POCO框架引入了條件向量和圖像特征來提高基本密度函數的建模，同時通過SMPL姿勢來調整網絡，從而提高了姿態重建和不確定性估計的準確性。

微新創想（idea2003.com）10月16日 消息:人體姿態和形狀（HPS）的三維估計是重建現實世界中的人體行為所必需的。然而，從二維圖像進行三維推斷面臨深度模糊、遮擋、不尋常的服裝和運動模糊等挑戰。即使最先進的HPS方法也會出現錯誤，通常對這些錯誤不太了解。

HPS是一個中間任務，提供了下游任務所需的輸出，如理解人類行為或三維圖形應用。這些下游任務需要一種機制來評估HPS結果的準確性，因此這些方法必須生成與HPS質量相關的不確定性（或置信度）值。

項目地址:https://poco.is.tue.mpg.de/

POCO框架的核心創新是"雙重條件策略（DCS）"，它增強了基本密度函數和規模網絡。與先前的方法不同，POCO引入了一個條件向量(Cond-bDF)來建模推斷的姿態誤差的基本密度函數。POCO利用圖像特征進行條件化，使其能夠更好地適應多樣性和復雜的圖像數據集的訓練。

此外，POCO的作者們引入了一種改進的方法，用于在HPS模型中估計不確定性。他們利用圖像特征并將網絡與SMPL姿態相結合，從而提高了姿態重建和更好的不確定性估計。他們的方法可以無縫集成到現有的HPS模型中，提高準確性而沒有副作用。該研究聲稱這種方法在將不確定性與姿態錯誤相關方面優于最先進的方法。

POCO框架是一個創新的AI工具，用于三維人體姿態和形狀的估計。它通過引入雙重條件策略，改進基本密度函數和規模網絡，顯著提高了估計的準確性。這一方法可以應用于多樣性和復雜圖像數據集，使其成為一種有望推動人體行為分析和三維圖形應用的關鍵技術。如果您對此感興趣，不妨查看相關鏈接以了解更多詳情。