今日 Paper | 手部和物體重建；三維人體姿態估計；圖像到圖像變換等

本文作者： AI研習社

2020-02-04 11:08

導語：為了更好地服務廣大 AI 青年，AI 研習社正式推出全新「論文」版塊。

SMPL-H: 學習手部和操縱物體的關節重建

論文名稱：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

發表時間：2019/4/11

論文鏈接：https://paper.yanxishe.com/review/9229

推薦原因：可以在ICCV 2019 論文官網https://mano.is.tue.mpg.de/上看到這篇論文。

在SMPL的基礎上，這篇論文描述了相關研究，實現了操縱期間重建手和物體的重建工作，這也是非常具有挑戰性的。該論文提出了一個新的大規模合成數據集，ObMan。

SMPLify: 從一個單一的圖像自動估計三維人體姿態和形狀

論文名稱：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.

發表時間：2016/7/27

論文鏈接：https://paper.yanxishe.com/review/9228

推薦原因：第一個從單個不受約束的圖像自動估計人體3D姿勢及其3D形狀的方法。

首先使用最近發布的基于CNN的方法DeepCut來預測（自下而上）二維人體關節位置。然后，將新近發布的統計身體形狀模型SMPL（自頂向下）擬合到2D關節。通過最小化目標函數來懲罰投影的3D模型關節與檢測到的2D關節之間的誤差。

官網：http://smplify.is.tue.mpg.de/

CDGAN：用于圖像到圖像變換的循環鑒別生成對抗網絡

論文名稱：CDGAN: Cyclic Discriminative Generative Adversarial Networks for Image-to-Image Transformation

作者：Babu Kancharagunta Kishan /Dubey Shiv Ram

發表時間：2020/1/15

論文鏈接：https://paper.yanxishe.com/review/9223

這篇論文考慮的是圖像到圖像變換的問題。

圖像到圖像變換是將一個視覺表示的輸入圖像轉換為另一種視覺表示的輸出圖像。近年來，生成對抗網絡通過在其架構中引入生成器和判別器網絡，為解決此問題提供了新的方向，然而基于GAN生成的圖像質量仍然存在一些瑕疵。這篇論文提出了一種新的名為循環判別式生成對抗網絡（CDGAN）的圖像到圖像轉換網絡。CDGAN可以通過添加除CycleGAN之外的其他判別器網絡來生成更高質量和更逼真的圖像。這篇論文還在三個不同的基準圖像到圖像轉換數據集上評估了CDGAN的有效性。

大轉彎時的小霧

論文名稱：A Little Fog for a Large Turn

作者：Machiraju Harshitha /Balasubramanian Vineeth N

發表時間：2020/1/16

論文鏈接：https://paper.yanxishe.com/review/9224

這篇論文考慮是自動導航中的對抗擾動問題。

對抗擾動指的是微小而經過細致調整出的擾動。這類擾動會大幅積累，而又不能被自然而然察覺。這篇論文考慮是自動導航中的對抗擾動問題，其中不利的天氣條件（例如霧）會對基于神經網絡的預測產生重大影響。此時，天氣條件如同自然的對抗樣本一樣發揮作用。這篇論文提出一個關于對抗擾動的通用觀點，用生成模型來獲取樣本。受到循環一致生成對抗網絡啟發，這篇論文提出一個方法來為輸入的圖像生成對抗天氣條件。所提公式和結果表明，這些圖像為自主導航模型中使用的轉向模型提供了合適的測試平臺。這篇論文還基于感知相似性提出了更自然，更籠統的對抗性擾動定義。

SCAIL：用于類增量學習的分類器權重縮放

論文名稱：ScaIL: Classifier Weights Scaling for Class Incremental Learning

作者：Belouadah Eden /Popescu Adrian

發表時間：2020/1/16

論文鏈接：https://paper.yanxishe.com/review/9225

這篇論文考慮的是增量學習中的分類器權重問題。

在基于深度學習方法的增量學習中，恒定的算力預算要求所有增量狀態都使用固定的架構。有限的內存會產生數據不平衡，從而偏向于新類，出現預測偏差。通常的解決辦法是引入數據平衡步驟來消除這種偏見。這篇論文則是提出一種簡單但有效的對歷史類型分類器權重進行縮放的方法，使其與新類型權重具有可比性。縮放尺度利用到增量狀態級別統計信息，并將其應用于在類的初始狀態下習得的分類器，以便從其所有可用數據中獲利。通過將其與有限內存下的微調原始模型的方法進行比較，這篇論文質疑了增量學習算法中廣泛使用的蒸餾損失分量的實用性。在四個公共數據集上根據競爭基準進行的評估結果表明，分級器的權重縮放尺度和蒸餾移除都是對結果有利的。