华南理工大学学报(自然科学版)

作者：鲍文霞, 田如震, 王年, 等

单位：1.安徽大学 电子信息工程学院, 安徽 合肥 2306012.安徽医科大学第一附属医院, 安徽 合肥 2300223.中国科学院 合肥物质科学研究院, 安徽 合肥 230031

关键词：人体网格重建,全局一致性,混合逆运动学,人体参数

基金：国家重点研发计划项目(2020YFF0303803);安徽省重点研究与开发计划资助项目(2022k07020006);安徽高校自然科学研究资助项目(KJ2021ZD0004)

人体网格重建（HMR）在人机交互和虚拟/增强现实等领域有广泛应用。为了进一步提高基于图像的人体网格重建中人体姿势和形状估计的精度，提出了基于混合逆运动学的全局一致性深度卷积神经网络，用于参数化人体网格重建（GloCoNet）。为了增强网络的全局一致性和全局上的长程依赖，该网络在特征提取网络基础上，设计了全局一致性增强器（GCB）模块，它能够增强模型对全局信息的感知能力和表达能力，并且使模型能够自适应地调整不同通道和空间位置的特征图权重。然后引入了多头注意力机制（MHSA）来捕获模型全局上的长程依赖，它可以帮助模型在处理长期依赖时更好地捕捉到关键的关系和模式，并建模全局上下文信息，从而更好的丰富特征子空间的多样性。同时，该网络采用混合逆运动学的方法弥合人体网格估计和3D人体关节点估计之间的差距，最终提升人体3D姿势和形状估计的准确度。实验结果表明，GloCoNet模型在公开的Human 3.6 M数据集上以平均每关节51.3 mm的位置误差（MPJPE）显著优于先前的主流方法。

来源：2024年第7期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2024年第7期