一 写在前面

未经允许，不得转载，谢谢~~

最近方向从video recognition转到了3D human body reconstruction，所以刚刚开始看这方面的论文，就把简单的阅读笔记都整理在这里了~

文章应该会持续更新，大佬们见笑啦~~~

二 论文阅读笔记

1. 3D Human pose estimation: A review of the literature and analysis of covariates

• Computer Vision and Image Understanding 152(2016)1–20

1.1 整体情况

1. 文章对给定RGB或者video的情况下对人体姿态估计的方法做了review;
2. 根据输入的不同将他们划分为：
   • single image or video;
   • monocular or multi-vew;
3. 我主要关注的是single image and monnocular的情况；

1.2 主要内容

1. 文章关注的输入类型为RGB图像；
2. 除了RGB，还有一类很流行的RGB-D输入，文章没有涉及，但是给出了一篇2013年的paper review;
3. 文章整理了2008-2015年间的single-view方法；

4. 姿态估计的大概流程：

   
   
   • prior body model决定了方法是model-based还是model-free的；
   • 利用2D pose information既可以用来作为额外的信息，又可以作为3D model 映射回2D时(projection)的参考。
   • 例如一些预处理技术，例如抽离背景部分；
   • 对特征进行提取，然后输入2D pose estimation中进行评估；
   • 获取初始3D pose,然后用优化算法来评估3D姿态；
   • 对姿态进行一些constrain，丢弃一些不可能出现的姿态，最终得到估测好的3D pose;

5. 文章根据模型方法的不同，又进行了以下分类：

   
   
   • generative model(model-based,top-down)
     1. 利用先验知识进行建模，分成建模(model)和评估(estimation) 2个阶段，会用上很多人体结构之类的信息；
     2. 在生成模型中有一类被称为part-based(bottom-up)方法，由body part的集合来表示human skeleton;
     3. 文章给出了几篇比较有名的论文：PSM, Deformable structures model, graphical model(SP);
   • discriminative model(model-free)
     1. 不需要假定特定的模型，直接学习从image到3D human body之间的映射关系；
     2. 这一类方法又可以进一步分为：learning-based和example-based;
     3. learning-based方法直接学习映射关系；
     4. example-based方法存储一系列exemplars以及对应的pose descriptors，最终测试的时候直接通过相似度检索得到几个candidates然后进行插值；
   • hybrid approaches
     1. 生成模型能够更加准确的推断出pose，具有更好的鲁棒性；
     2. 判别模型能够更加快速的训练，需要表示的信息更加低维；
     3. hybrid approaches能够结合生成模型和判别模型，从生成模型的可能性结果来验证判别模型中的姿态估计。
6. human body model and representation

   • human body 有很多的joints和limbs，因此分析起来很复杂；

   • model-based方法采用先验知识对human body进行建模；

   • 以前用的最常见的一种方法是将skeleton结合structure和shape, 其中skeleton共15个joints，然后链接起来，右边是树状结构；

     
     

   • 不管是否用了body mode(model-based还是model-free)，下一步都是特征提取；

   • 传统的特征提取方法会剔除背景后利用一些低维信息：edges, optical flow, silhouettes...

   • 经典的特征提取算法文章中提到：SIFT, SC(shape content)，APC(appearance and context content ), HoG,posebits...

7. 文章还列了一些从单张图像到3维人体估计的文章，但都是2016年以前的了。

2. End-to-end Recovery of Human Shape and Pose

• CVPR 2018

2.1 整体情况

1. HMR(human mesh recovery)：端到端的人体姿态和形态的对抗学习网络；
2. 实现了从single RGB image到full 3D mesh of human body的学习；
3. HMR不需要成对的2D-to-3D监督信息，不需要借助中间的2D keypoint deection，而是直接从pixel到mesh；
4. 给定人的bounding box的情况下，可以做到实时。

5. 先来看一下整体实验结果：

   
   
   • 上面两行是用2D-3D监督信息训练的，下面一行是用完全弱监督的方式训练的，没有2D-3D的监督信息；

2.2 主要内容

2.2.1 background

1. 现有方法大多数利用joint信息，但joint的位置比较稀疏，不能判断完整状态，本文用了更多的keypoints;
2. 现有方法大多数是multi-stage的，从estimate 2D joint locations再到estimate 3D model parameters;
3. 本文是直接从image pixel to 3D model;
4. 但是这样会有几个挑战：
   • lack of large-scale ground-truth 3D-annoation for in-the-wild image;
     (现在有准确3D注释的都是受环境限制的)
   • inherent ambiguities in single-view 2D-to-3D mapping;
     (从2D重建回3D本身具有模糊性)
5. keypoint(本文需要有以下数据集)：
   • large-scale 2D keypoint annotations of in-the-wild dataset;
   • a separate large-scale dataset of 3D mesh of people with many poses
   • (这两个是独立的数据集，unpaired)

所以本文的key contribution：将两个unpaired的数据集，用对抗学习的方式利用起来；

2.2.2 overview of the proposed network

1. encoder: 用来提取图像特征；
2. regression：可迭代3D回归用来获取3D mesh的参数以及相机参数；
3. 得到3D mesh的pose,shape,camera信息后又分成上下两个部分：
   • 下面：进入判别器D，与大规模3D human body数据集进行比较，判断生成的human body是否真实。
     （弱监督方式，使得跟wild dataset相比更合理）
   • 上面：将得到的3D mesh映射回2D，得到keypoints, 然后与原来image的ground-truth keypoints进行比较，得到一个loss。
     （强监督方式，使得跟输入image的manifold更接近）

本文还对只有弱监督方式的情况进行了实验，效果也不错。

4. 最后文章还考虑了文章本身带有ground truth 3D information的情况，最终的整体目标函数:

   
   
   • λ:超参数
   • reproj：上面那路
   • adv：下面那路
   • 3D：有3D ground-truth的情况

2.2.3 related work

1. two-stage estimation
   • 首先获取到2D joint locations(直接有标注或者用2D pose detector预测得到)
   • 然后预测3D joint locations(regression或者model fitting)，常用的是探索learned dictionary of 3D skeletons；
   • 这个过程可能limb length是主导，也可能limb propotion，pose, angle是主导；
   • two-stage的方法更加鲁棒，但是太依赖2D joints信息，且可能丢失很多图像信息；
2. direct estimation
   • 出现了一些带有3D joint locations的数据集：HumanEva，Human3.6M，使得直接学习有了强监督label；
   • 大多数都是用FCN来做的；
   • 很多都没有解决camera，只是估计深度，用平均长度来定义全局的scale；
   • 这类方法的问题是虽然有准确的3D annotation，但是不能适用于真实世界；

3. DensePose: Dense Human Pose Estimation In The Wild

• CVPR2018

3.1 整体情况

1. DensePose：实现了从simgle RGB image 到 surface-based representation of human body；
2. DensePose-COCO：为COCO数据集中的50K perpon进行数据标注，形成新的数据集；
3. 在DensePose-COCO数据集上用基于CNN的模型进行训练和测试，尝试了fully-conv networks 和region-based models两种方式，后者效果更好；

4. 整体实验结果：

   
   

3.2 主要内容

3.2.1 background

1. 大多数时候建立从image到surface-based model都需要用到深度信息（RGB-D），但本文只使用了RGB图像；
2. 本文将重点放在human body身上，而且还支持dense场景；
3. 本文采用完全的监督学习，为此收集images以及对应human body的详细准确的ground-truth信息；
4. 不像其他论文一样在测试阶段使用SMPL，而是直接在训练时候作为一种定义问题的方式；
5. 本文方法与mask-rcnn方法结合可以从复杂场景（10多个人）中有效计算出有效的区域；

3.2.2 Dense-Pose dataset

1. 是一个large scale dataset for human pose estimation;
2. ground-truth for 50K humans in COCO, more than 5 million manully annoated pairs;
3. 数据集（image----> surface-based representations of human body）
   • 先将身体分成几个语义分明的部分：head，torso, lower/upper arms...
   • 获得24个UV field(如上图右边部分所示)（每个部分的获取使用了不同的方法，例如SMPL, multi-scale等）
   • 对各个部分运行k-means算法，得到各个部分的特征点；
   • 然后将对应的点标注到渲染出来的part iamge上面；

   • 然后利用渲染出来的坐标，又重新将这些2D特征点定位到3D model上面；

     
     
4. 每个body surface都有24个part，每个part包含的标记点最多为14个；

3.2.3 model

基于DensePose-RCNN model，实现一个全监督学习模型；

本文基于DenseReg + mask-RCNN ----> DensePose-RCNN, 又在此基础上增加了级联结构。

尝试了以下两种结构：

1. fully-connected dense pose regression

• 由于人体比较复杂，所以将其分为几个独立的part，每个part用二维坐标表示；
• 基于这样的表示，用classification+regression这2个任务，用fully-connected network来做；
  • classification：判断a pixel是属于背景还是属于surface part中的一个；
  • regression: 预测出这个pixel相对于所在part的准确坐标位置；
• 分类阶段总共有25个类别（24 parts + 1 background），用交叉熵损失；
• 然后再为24个surface part分别训练回归器，用L1 loss衡量；

2. region-based dense pose regression

• 以上基于FCN的任务比较简单，但是需要完成太多的子任务；

• 本文又采用region-based的方法：

  
  

1. 先用mask-rnn得到ROI区域；
2. 再进行一次ROI区域Align；
   3.然后用FCN提取图像特征；
3. 提取到的特征同样分为上下两个方面：一个用于分类出所属的surface part，一个用于产生对应的坐标值，可以用跟fully-conv中一样的方法进行优化，但是这里多了一个前面的proposal监督信息。

3.2.4 multi-task cascaded architectures

1. 增加了keypoint-estimation和instance segmentation两个任务；

2. 然后用多个任务做了一个结构上的级联：

   
   

4. Unite the People: Closing the Loop Between 3D and 2D Human Representations

• CVPR2017

4.1 整体情况

1. 本文扩展了SMPLify方法，提出了实用多个人体姿态数据的3D body model；
2. 产生了UP-3D数据集，可以用来训练discriminative模型，在没有gender或者pose的先验条件下也能有较好的结果。

4.2 主要内容

4.2.1 introduction

1. 现有用来做bounding-box detection，keypoint detection，body part segmentation的learning-based方法以及各自使用的数据集都是独立分开的。
2. 所以本文就想overcome这些separation，然后unit the people in different datasets and multiple tasks.即希望将多个数据集和任务连接起来。