Los recientes avances en la estimación de la forma humana en 3D basada en imágenes se han visto impulsados por la importante mejora en la capacidad de representación que ofrecen las redes neuronales profundas.

Aunque los enfoques actuales han demostrado su potencial en entornos del mundo real, siguen sin producir reconstrucciones con el nivel de detalle que suelen tener las imágenes de entrada.

Esta limitación se debe principalmente a dos requisitos contradictorios: las predicciones precisas requieren un contexto amplio, pero las precisas requieren una alta resolución.

Debido a las limitaciones de memoria del hardware actual, los enfoques anteriores tienden a tomar imágenes de baja resolución como entrada para cubrir un contexto espacial amplio, y como resultado producen estimaciones 3D menos precisas (o de baja resolución).

Abordan  esta limitación formulando una arquitectura multinivel que es entrenable de principio a fin. Un primer nivel observa toda la imagen a baja resolución y se centra en el razonamiento holístico.

Esto proporciona el contexto a un nivel más profundo que estima una geometría muy detallada mediante la observación de imágenes de mayor resolución.

Demostrando así un enfoque supera significativamente las técnicas de vanguardia existentes en la reconstrucción de la forma humana de una sola imagen, aprovechando al máximo las imágenes de entrada de 1k de resolución.

La digitalización humana de alta fidelidad es la clave para permitir una infinidad

de aplicaciones, desde las imágenes médicas hasta la realidad virtual.

Las principales contribuciones de este trabajo consisten en

- un marco entrenable de extremo a extremo, de grueso a fino, para

para el aprendizaje implícito de superficies para la reconstrucción

de alta resolución de personas vestidas a una resolución de imagen de 1k.

- un método para manejar eficazmente la incertidumbre en las regiones no observadas, como la espalda, dando como resultado reconstrucciones completas con alto nivel de detalle.

reconstrucciones completas con alto nivel de detalle.

https://shunsukesaito.github.io/PIFuHD/

Déjame un mensaje de voz