從動態攝影機實現運動擴散引導的 3D 全局人體網格重建

Основні поняття

本文提出了一種名為 DiffOpt 的新型單目 3D 全局人體網格重建 (GHMR) 方法，該方法利用運動擴散模型 (MDM) 作為運動先驗，並結合動態攝影機預測，以優化人體運動和攝影機運動，從而從動態攝影機拍攝的影片中恢復更準確、更逼真的人體運動。

Анотація

運動擴散引導的 3D 全局人體網格重建：從動態攝影機中實現

本研究旨在開發一種名為 DiffOpt 的新型單目 3D 全局人體網格重建 (GHMR) 方法，該方法能夠從動態攝影機拍攝的影片中準確地恢復全局人體運動，包括根軌跡。

DiffOpt 是一個基於優化的 GHMR 框架，它利用運動擴散模型 (MDM) 作為運動先驗，並結合動態攝影機預測，以優化人體運動和攝影機運動。該方法採用多階段優化方案，包括：

關節姿勢預熱階段: 使用預先訓練的 3D HMR 模型 (HMR2.0) 初始化神經運動場，使其模擬初始預測的關節姿勢。
MDM 引導階段: 利用 MDM-SDS 損失函數來引導運動場預測更真實、更合理的全局根軌跡，同時更新攝影機軌跡以確保目標人物保持在視線範圍內。
微調階段: 結合 MDM-SDS 損失、預熱損失和 2D 重投影損失，共同微調人體運動和攝影機運動，以提高預測的準確性和對原始影片序列的保真度。

Ключові висновки, отримані з

Motion Diffusion-Guided 3D Global HMR from a Dynamic Camera

by Jaewoo Heo, ... о arxiv.org 11-19-2024

https://arxiv.org/pdf/2411.10582.pdf

Глибші Запити

如何將 DiffOpt 扩展到多人互動場景，並在多人追踪和遮擋處理方面保持其準確性？

將 DiffOpt 扩展到多人互動場景是一個富有挑戰性的課題，需要克服多人追踪和遮擋處理等難題。以下是一些可行的思路：

多人追踪： 可以借鉴现有的多人追踪算法，例如基于检测的追踪方法或基于关联的方法，对视频中的人物进行追踪，并为每个人分配一个独立的 ID。在优化过程中，可以为每个人维护一个独立的运动场，并根据其 ID 对损失函数进行加权，以区分不同人物的运动。

遮擋處理： 遮擋是多人场景中常见的问题，会严重影响 HMR 的准确性。可以尝试以下方法来缓解遮挡带来的影响：

基于模型的遮擋推理： 利用 3D 人体模型和相机姿态信息，可以推断出场景中哪些部位可能被遮挡。在优化过程中，可以降低被遮挡部位的损失权重，以减少其对最终结果的影响。
多视角信息融合： 如果有多个视角的视频数据，可以利用多视角几何信息来恢复被遮挡部位的姿态。例如，可以使用 epipolar geometry 来约束不同视角下同一点的投影位置，从而提高遮挡部位的重建精度。
时序信息利用： 人体运动具有连续性，可以利用时序信息来预测被遮挡部位的姿态。例如，可以使用循环神经网络 (RNN) 来学习人体运动的时序规律，并根据已知的姿态信息来预测被遮挡部位的姿态。

多人交互建模： 多人场景中，人物之间可能存在交互行为，例如握手、拥抱等。为了更准确地捕捉这些交互行为，可以考虑在损失函数中加入交互约束项。例如，可以使用人体骨骼之间的距离来约束人物之间的相对位置，从而使重建结果更符合实际情况。

计算效率优化： 多人场景的计算量较大，需要对算法进行优化以提高效率。例如，可以使用模型压缩技术来减小模型的规模，或使用并行计算技术来加速优化过程。

总而言之，将 DiffOpt 扩展到多人场景需要综合考虑多人追踪、遮挡处理、交互建模和计算效率等因素。相信随着技术的进步，DiffOpt 在多人场景中的应用将会越来越广泛。

如果訓練數據集中的人體動作類型有限，DiffOpt 在處理新穎或未見過的人體動作時是否依然穩健？

如果訓練數據集中的人體動作類型有限，DiffOpt 在處理新穎或未見過的人體動作時，其穩健性可能會下降。這是因為 DiffOpt 中的運動擴散模型 (MDM) 是基於數據驅動的，它學習到的運動先驗知識主要來自於訓練數據。當遇到與訓練數據差異較大的動作時，MDM 可能無法準確地預測合理的運動軌跡，從而影響 DiffOpt 的整體性能。
然而，DiffOpt 相較於其他方法，仍然具備一定的泛化能力，這得益於以下因素：

運動擴散模型的泛化能力： 雖然 MDM 的訓練數據有限，但它仍然可以學習到一些通用的運動規律，例如人體運動的連貫性、平滑性和物理約束等。這些通用的運動規律可以幫助 MDM 在一定程度上泛化到未見過的動作。

多階段優化框架： DiffOpt 採用了多階段優化框架，其中包括基於初始姿态估计的预热阶段、基于 MDM 的运动引导阶段以及基于 2D 关键点的微调阶段。这种多阶段优化策略可以有效地结合不同来源的信息，从而提高模型的泛化能力。

外部信息的引入： DiffOpt 可以结合其他外部信息来提高对新颖动作的处理能力。例如，可以引入场景信息、物体信息或语义信息等，帮助模型更好地理解动作的语义和约束条件，从而提高预测的准确性。

为了进一步提高 DiffOpt 在处理新颖动作时的稳健性，可以尝试以下方法：

扩充训练数据： 收集更多样化的训练数据，特别是包含更多新颖动作的数据，可以帮助 MDM 学习到更全面的运动先验知识，从而提高模型的泛化能力。

引入元学习： 元学习是一种可以使模型快速适应新任务的学习方法。可以尝试将元学习应用于 DiffOpt 的训练过程中，使模型能够在少量样本的情况下快速学习到新动作的特征，从而提高模型的泛化能力。

结合基于规则的方法： 可以将 DiffOpt 与基于规则的方法相结合，例如物理引擎或运动学模型等。基于规则的方法可以提供额外的物理约束和运动学知识，帮助模型更好地处理新颖动作。

总而言之，虽然训练数据有限会影响 DiffOpt 对新颖动作的处理能力，但 DiffOpt 本身的设计和未来可行的改进方向使其仍然具备一定的泛化能力。相信随着技术的进步，DiffOpt 在处理新颖动作方面的性能将会不断提高。

在虛擬世界中，如何利用 DiffOpt 捕捉的人體動作數據來創造更逼真、更自然的角色動畫，並為虛擬角色賦予更豐富的表現力？

DiffOpt 捕捉的人體動作數據為創造更逼真、更自然的虛擬角色動畫提供了絕佳的素材，並能賦予角色更豐富的表現力。以下是如何利用這些數據的幾個方向：

直接驱动虚拟角色： DiffOpt 输出的 SMPL 模型参数可以直接用于驱动虚拟角色的骨骼动画。相比传统的动作捕捉技术，DiffOpt 无需繁琐的标记点，且对环境要求更低，可以更便捷地获取高质量的动作数据，从而使虚拟角色的动作更加流畅自然。

动作风格迁移： 可以利用 DiffOpt 提取不同人物的动作风格，并将其迁移到虚拟角色上。例如，可以将专业舞者的舞蹈动作风格迁移到游戏角色上，使其展现出更优美的舞姿。

动作生成与编辑： 可以利用 DiffOpt 训练生成模型，例如变分自编码器 (VAE) 或生成对抗网络 (GAN)，学习人体动作的潜在空间表示。基于学习到的潜在空间，可以进行动作生成、动作插值和动作编辑等操作，为虚拟角色设计更多样化的动作。

结合表情和姿态： DiffOpt 主要关注人体姿态的捕捉，但表情对于角色的表現力同样重要。可以将 DiffOpt 与面部表情捕捉技术相结合，例如基于视频的面部表情捕捉或基于深度学习的面部表情生成，从而使虚拟角色的表情更加生动形象。

交互式角色控制： 可以利用 DiffOpt 实现更自然的角色控制方式。例如，可以使用 DiffOpt 捕捉用户的动作，并将其映射到虚拟角色上，从而实现更直观、更沉浸式的交互体验。

除了以上提到的方向，还可以将 DiffOpt 与其他技术相结合，例如物理引擎、布料模拟和人群模拟等，进一步提升虚拟角色动画的真实感和表现力。
总而言之，DiffOpt 为虚拟角色动画制作提供了一种全新的思路，其捕捉的精细人体动作数据可以被广泛应用于游戏、电影、虚拟现实等领域，为用户带来更逼真、更沉浸的体验。