今日 Paper | 手部和物体重建；三维人体姿态估计；图像到图像变换等

AI研习社

作者：AI研习社

2020/02/04 11:08

SMPL-H: 学习手部和操纵物体的关节重建

论文名称：Learning joint reconstruction of hands and manipulated objects

作者：Hasson Yana /Varol Gül /Tzionas Dimitrios /Kalevatykh Igor /Black Michael J. /Laptev Ivan /Schmid Cordelia

发表时间：2019/4/11

论文链接：https://paper.yanxishe.com/review/9229

推荐原因：可以在ICCV 2019 论文官网https://mano.is.tue.mpg.de/上看到这篇论文。

在SMPL的基础上，这篇论文描述了相关研究，实现了操纵期间重建手和物体的重建工作，这也是非常具有挑战性的。该论文提出了一个新的大规模合成数据集，ObMan。

SMPLify: 从一个单一的图像自动估计三维人体姿态和形状

论文名称：Keep it SMPL: Automatic Estimation of 3D Human Pose and Shape from a Single Image

作者：Bogo Federica /Kanazawa Angjoo /Lassner Christoph /Gehler Peter /Romero Javier /Black Michael J.

发表时间：2016/7/27

论文链接：https://paper.yanxishe.com/review/9228

推荐原因：第一个从单个不受约束的图像自动估计人体3D姿势及其3D形状的方法。

首先使用最近发布的基于CNN的方法DeepCut来预测（自下而上）二维人体关节位置。然后，将新近发布的统计身体形状模型SMPL（自顶向下）拟合到2D关节。通过最小化目标函数来惩罚投影的3D模型关节与检测到的2D关节之间的误差。

官网：http://smplify.is.tue.mpg.de/

CDGAN：用于图像到图像变换的循环鉴别生成对抗网络

论文名称：CDGAN: Cyclic Discriminative Generative Adversarial Networks for Image-to-Image Transformation

作者：Babu Kancharagunta Kishan /Dubey Shiv Ram

发表时间：2020/1/15

论文链接：https://paper.yanxishe.com/review/9223

这篇论文考虑的是图像到图像变换的问题。

图像到图像变换是将一个视觉表示的输入图像转换为另一种视觉表示的输出图像。近年来，生成对抗网络通过在其架构中引入生成器和判别器网络，为解决此问题提供了新的方向，然而基于GAN生成的图像质量仍然存在一些瑕疵。这篇论文提出了一种新的名为循环判别式生成对抗网络（CDGAN）的图像到图像转换网络。CDGAN可以通过添加除CycleGAN之外的其他判别器网络来生成更高质量和更逼真的图像。这篇论文还在三个不同的基准图像到图像转换数据集上评估了CDGAN的有效性。

大转弯时的小雾

论文名称：A Little Fog for a Large Turn

作者：Machiraju Harshitha /Balasubramanian Vineeth N

发表时间：2020/1/16

论文链接：https://paper.yanxishe.com/review/9224

这篇论文考虑是自动导航中的对抗扰动问题。

对抗扰动指的是微小而经过细致调整出的扰动。这类扰动会大幅积累，而又不能被自然而然察觉。这篇论文考虑是自动导航中的对抗扰动问题，其中不利的天气条件（例如雾）会对基于神经网络的预测产生重大影响。此时，天气条件如同自然的对抗样本一样发挥作用。这篇论文提出一个关于对抗扰动的通用观点，用生成模型来获取样本。受到循环一致生成对抗网络启发，这篇论文提出一个方法来为输入的图像生成对抗天气条件。所提公式和结果表明，这些图像为自主导航模型中使用的转向模型提供了合适的测试平台。这篇论文还基于感知相似性提出了更自然，更笼统的对抗性扰动定义。

SCAIL：用于类增量学习的分类器权重缩放

论文名称：ScaIL: Classifier Weights Scaling for Class Incremental Learning

作者：Belouadah Eden /Popescu Adrian

发表时间：2020/1/16

论文链接：https://paper.yanxishe.com/review/9225

这篇论文考虑的是增量学习中的分类器权重问题。

在基于深度学习方法的增量学习中，恒定的算力预算要求所有增量状态都使用固定的架构。有限的内存会产生数据不平衡，从而偏向于新类，出现预测偏差。通常的解决办法是引入数据平衡步骤来消除这种偏见。这篇论文则是提出一种简单但有效的对历史类型分类器权重进行缩放的方法，使其与新类型权重具有可比性。缩放尺度利用到增量状态级别统计信息，并将其应用于在类的初始状态下习得的分类器，以便从其所有可用数据中获利。通过将其与有限内存下的微调原始模型的方法进行比较，这篇论文质疑了增量学习算法中广泛使用的蒸馏损失分量的实用性。在四个公共数据集上根据竞争基准进行的评估结果表明，分级器的权重缩放尺度和蒸馏移除都是对结果有利的。