懂AI

Multi-HMR: 突破性的单次多人全身3D人体网格重建技术

RayRay
人体网格重建多人检测计算机视觉深度学习Multi-HMRGithub开源项目

Multi-HMR: 重新定义3D人体重建技术

在计算机视觉和人工智能领域,3D人体姿态估计和重建一直是一个充满挑战的研究方向。近日,来自NAVER Labs Europe的研究团队提出了一种名为Multi-HMR的创新模型,为这一领域带来了重大突破。Multi-HMR不仅能够从单张RGB图像中重建多个人的3D全身网格,还能准确捕捉手部和面部表情等细节,展现出了卓越的性能。

技术创新:单次多人全身3D重建

Multi-HMR最大的创新在于其"单次多人"(multi-person)和"全身"(whole-body)的特性。传统的3D人体重建方法通常需要多个步骤,或者只能处理单个人体。而Multi-HMR能够在一次前向传播中同时完成多个人的全身3D重建,这不仅提高了效率,也为复杂场景的3D重建提供了可能。

该模型采用了Vision Transformer (ViT)作为主干网络,用于提取图像特征。研究人员还设计了一个新颖的交叉注意力模块Human Prediction Head (HPH),使模型能够准确地定位和重建每个检测到的人体。

Multi-HMR illustration

CUFFS数据集:提升手部和面部细节重建

为了解决现有数据集中缺乏多样化手部姿势样本的问题,研究团队创建了一个名为CUFFS(Close-Up Frames of Full-Body Subjects)的新数据集。这个数据集包含了大量近距离拍摄的全身人体图像,特别关注手部姿势的多样性。通过将CUFFS数据集整合到训练过程中,Multi-HMR在手部和面部细节的重建方面取得了显著的进步。

灵活性和高性能

Multi-HMR的另一个亮点是其灵活性。模型可以选择性地利用相机内参信息来进一步提高3D重建的准确性。这种设计使得Multi-HMR能够适应不同的应用场景,从普通的2D图像到具有详细相机信息的专业拍摄。

在性能方面,即使是使用较小的ViT-S主干网络和448x448分辨率的输入图像,Multi-HMR也能达到快速且具有竞争力的表现。而使用更大的模型和更高的分辨率,则可以获得最先进的结果。

Multi-HMR performance

广泛的应用前景

Multi-HMR的出现为多个领域带来了新的可能性:

  1. 虚拟现实(VR)和增强现实(AR): 提供更准确的人体姿态追踪,增强用户体验。
  2. 动画制作: 简化动画角色的创建过程,提高动画制作效率。
  3. 人机交互: 为更自然、直观的人机交互界面提供基础。
  4. 运动分析: 在体育科学和康复医学中提供精确的人体运动数据。
  5. 安防监控: 提升人群行为分析和异常检测的准确性。

开源与未来发展

值得一提的是,研究团队已经在GitHub上开源了Multi-HMR的代码和预训练模型。这不仅方便了其他研究者复现和改进这项技术,也为相关应用的开发提供了便利。

随着Multi-HMR的不断优化和更多数据的加入,我们可以期待在不久的将来看到更多基于这项技术的创新应用。从游戏产业到医疗健康,从智能家居到城市规划,Multi-HMR都有可能带来革命性的变革。

结语

Multi-HMR的出现标志着3D人体重建技术进入了一个新的阶段。它不仅解决了多人场景下的全身3D重建问题,还在效率和精度上都取得了显著进步。随着这项技术的进一步发展和应用,我们有理由相信,一个更加智能、互动和沉浸式的数字世界正在向我们走来。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多