要點:

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

傳統(tǒng)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(jìn)方法，可以在單個前向傳遞中同時推斷姿態(tài)參數(shù)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(shù)的建模，同時通過SMPL姿勢來調(diào)整網(wǎng)絡(luò)，從而提高了姿態(tài)重建和不確定性估計的準(zhǔn)確性。

微新創(chuàng)想（idea2003.com）10月16日 消息:人體姿態(tài)和形狀（HPS）的三維估計是重建現(xiàn)實世界中的人體行為所必需的。然而，從二維圖像進(jìn)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(zhàn)。即使最先進(jìn)的HPS方法也會出現(xiàn)錯誤，通常對這些錯誤不太了解。

HPS是一個中間任務(wù)，提供了下游任務(wù)所需的輸出，如理解人類行為或三維圖形應(yīng)用。這些下游任務(wù)需要一種機制來評估HPS結(jié)果的準(zhǔn)確性，因此這些方法必須生成與HPS質(zhì)量相關(guān)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(chuàng)新是"雙重條件策略（DCS）"，它增強了基本密度函數(shù)和規(guī)模網(wǎng)絡(luò)。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(tài)誤差的基本密度函數(shù)。POCO利用圖像特征進(jìn)行條件化，使其能夠更好地適應(yīng)多樣性和復(fù)雜的圖像數(shù)據(jù)集的訓(xùn)練。

此外，POCO的作者們引入了一種改進(jìn)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(wǎng)絡(luò)與SMPL姿態(tài)相結(jié)合，從而提高了姿態(tài)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(xiàn)有的HPS模型中，提高準(zhǔn)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(tài)錯誤相關(guān)方面優(yōu)于最先進(jìn)的方法。

POCO框架是一個創(chuàng)新的AI工具，用于三維人體姿態(tài)和形狀的估計。它通過引入雙重條件策略，改進(jìn)基本密度函數(shù)和規(guī)模網(wǎng)絡(luò)，顯著提高了估計的準(zhǔn)確性。這一方法可以應(yīng)用于多樣性和復(fù)雜圖像數(shù)據(jù)集，使其成為一種有望推動人體行為分析和三維圖形應(yīng)用的關(guān)鍵技術(shù)。如果您對此感興趣，不妨查看相關(guān)鏈接以了解更多詳情。