DecoMR：无模型三维人体网格估计与稠密对应研究

"本文主要介绍了DecoMR，一个无模型的三维人体网格估计框架，它旨在解决从二维图像中精确重建三维人体网格的问题。现有的方法通常依赖全局图像特征，而DecoMR则强调建立图像特征与网格之间的稠密对应关系，通过连续UV映射来优化这一过程。该框架首先预测像素到表面的密集对应图（IUV图像），然后将局部特征转移到UV空间并回归位置图，最后利用预定义的映射函数重建3D网格。文中指出，不连续的UV映射对网络学习不利，因此提出了新的连续UV映射策略，以保持原始网格的邻接关系。实验结果显示，DecoMR在多个基准测试中超越了基于3D网格的传统方法。" DecoMR框架的关键创新点包括： 1. **稠密对应关系**：与传统方法相比，DecoMR着重于建立图像特征与3D网格表面的稠密对应，这有助于保留更多的局部信息，提高重建精度。 2. **局部特征对齐**：DecoMR预测并转移像素到表面的对应图，将局部图像特征从图像空间迁移到UV空间，确保特征对齐，有利于更精确的网格重建。 3. **连续UV映射**：针对现有方法中不连续UV映射的缺点，DecoMR提出了新的连续UV映射方案，这有助于保持网格表面的邻接性，促进网络学习和优化。 4. **位置图回归**：在UV空间中处理转移的局部特征，回归位置图，与转移特征对齐，进一步提升了重建的准确度。 该框架的应用广泛，如在虚拟现实/增强现实(VR/AR)、人类动作识别、视频编辑等领域。其优势在于能够更好地处理深度模糊性和获取三维人体数据的困难，提高了从单目图像中估计人体姿势和形状的准确性。 DecoMR的实现依赖于深度学习技术，特别是卷积神经网络(CNN)，它能够提取图像的复杂特征，并通过优化过程生成高质量的3D人体网格。通过开源代码，研究者和开发者可以在https://github.com/zengwang430521/DecoMR访问和利用这个框架，进行进一步的研究和应用开发。 DecoMR是三维人体网格重建领域的一个重要进展，它通过改进的特征对齐和UV映射策略，为从二维图像中准确估计三维人体网格提供了新的解决方案。