动态表面函数网络：捕捉着装人体的姿势变形

本文主要探讨的是"服装人体的动态表面函数网络"，这是一种新颖的方法，旨在解决计算机视觉和计算机图形学中人体数字捕获的研究问题，尤其是在涉及穿着衣物的动态重建和跟踪方面。作者们提出了一种基于多层感知器（MLP）的动态表面表示，它嵌入到规范空间的SMPL人体模型中，用于精确捕捉和模拟穿着者的表面形态，包括衣物的动态变形。 传统的静态表面捕捉难以准确地再现衣物随动作产生的皱褶等细节，而隐式表示虽然能处理复杂形状，但可能缺乏实时渲染的优势。相比之下，动态表面函数网络通过明确地模拟人类表面，解决了这个问题。它利用SMPL的运动学模型，使得在推断阶段能够实现对姿势的完全控制，比如关节旋转，这对于远程呈现和人机交互的应用至关重要。 核心的技术创新在于设计一个多层神经网络，它接收RGB-D序列作为输入，通过分析每个帧的表面信息，预测并动态更新表面位置。通过经典前向渲染技术，利用模板网格的拓扑结构，将MLP预测的表面信息转换为可见的图像。这种方法还支持自我监督学习，允许对合成和可微光栅化进行分析，从而实现时间上相干的网格序列重建。 此外，动态表面函数网络的底层表示不仅可以用于生成逼真的动画，包括姿势相关的变形，还可以作为基础，用于开发更高级的应用，如虚拟现实和增强现实中的远程呈现，提高用户体验的真实感。这项工作在提升穿着人物的数字捕捉精度、动态表现力以及与真实世界交互的自然度上具有显著的意义。