🚩 [更新] PyMAF-X 的面部部分已更新。请在 NoW 基准测试上查看仅面部评估结果。

PyMAF-X: 从单目图像实现全身模型回归的精准对齐

TPAMI 2023

项目主页 | 视频 | 论文

^{逐帧重建。视频片段来自此处。}

^{COCO验证集图像上的重建结果。}
点击此处 查看更多结果

安装

Python 3.8

conda create --no-default-packages -n pymafx python=3.8
conda activate pymafx

依赖包

PyTorch 测试版本为 1.9.0

conda install pytorch==1.9.0 torchvision==0.10.0 cudatoolkit=11.1 -c pytorch -c conda-forge

pytorch3d

pip install "git+https://github.com/facebookresearch/pytorch3d.git@stable"

其他列在 requirements.txt 中的包

pip install -r requirements.txt

必要文件

smpl_downsampling.npz 和 mano_downsampling.npz

运行以下脚本获取必要文件。

bash fetch_data.sh

SMPL 和 SMPL-X 模型文件

收集 SMPL/MANO/FLAME/SMPL-X 模型文件。重命名模型文件并将它们放入 ./data/smpl 目录。

下载部分网格文件并将其放入 ./data/partial_mesh 目录。

下载预训练模型并将其放入 ./data/pretrained_model 目录。收集上述必要文件后，./data 目录的结构预期如下：

./data
├── J_regressor_extra.npy
├── smpl_mean_params.npz
├── smpl_downsampling.npz
├── mano_downsampling.npz
├── flame_downsampling.npy
├── partial_mesh
│   └── ***_vids.npz
├── pretrained_model
│   └── PyMAF-X_model_checkpoint_v1.1.pt
└── smpl
    ├── FLAME2020
    │   ├── FLAME_NEUTRAL.pkl
    │   ├── flame_dynamic_embedding.npy
    │   └── flame_static_embedding.pkl
    ├── MANO_RIGHT.pkl
    ├── SMPLX_NEUTRAL_2020.npz
    ├── SMPL_NEUTRAL.pkl
    └── model_transfer
        ├── MANO_SMPLX_vertex_ids.pkl
        ├── SMPL-X__FLAME_vertex_ids.npy
        └── smplx_to_smpl.pkl

演示

你可以先在我们准备的 Google Colab 笔记本上试一试，无需自己准备环境：

运行演示代码。

对于图片文件夹输入：

python -m apps.demo_smplx --image_folder examples/coco_images --detection_threshold 0.3 --pretrained_model data/pretrained_model/PyMAF-X_model_checkpoint_v1.1.pt --misc TRAIN.BHF_MODE full_body MODEL.PyMAF.HAND_VIS_TH 0.1

对于视频输入：

python -m apps.demo_smplx --vid_file examples/dancer_short.mp4 --pretrained_model data/pretrained_model/PyMAF-X_model_checkpoint_v1.1.pt --misc TRAIN.BHF_MODE full_body MODEL.PyMAF.HAND_VIS_TH 0.1

结果将保存在 ./output 目录。你可以在脚本中设置不同的超参数，例如，--detection_threshold 用于人体检测阈值，MODEL.PyMAF.HAND_VIS_TH 用于手部可见性阈值。

训练

要进行训练，我们首先需要收集训练数据集的预处理文件。伪 SMPL-X 标签（带有 'xpose'/'xshape' 键）可以在这里下载。关于训练的更多细节，请参考 PyMAF。示例用法：

python -m apps.train --regressor pymaf_net --train_data h36m_coco_itw --eval_every 10 --save_every 20 --train_data h36m_coco_itw --misc TRAIN.BATCH_SIZE 64 MODEL.PyMAF.AUX_SUPV_ON True MODEL.PyMAF.TRANS.USE_ATT True MODEL.PyMAF.TRANS.ATT_HEAD 1 MODEL.PyMAF.TRANS.ATT_FEAT_IDX 2 MODEL.MESH_MODEL smplx TRAIN.USE_EFT True MODEL.PyMAF.USE_CAM_FEAT True LOSS.SHAPE_W 0.6 MODEL.PyMAF.BACKBONE res50 POSE_RES_MODEL.PRETR_SET coco

引用

如果这项工作对你的研究有帮助，请引用以下论文：

@article{pymafx2023,
  title={PyMAF-X: Towards Well-aligned Full-body Model Regression from Monocular Images},
  author={Zhang, Hongwen and Tian, Yating and Zhang, Yuxiang and Li, Mengcheng and An, Liang and Sun, Zhenan and Liu, Yebin},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  year={2023}
}

@inproceedings{pymaf2021, 标题={PyMAF: 基于金字塔网格对齐反馈循环的3D人体姿态和形状回归}, 作者={张宏文 and 田雅婷 and 周鑫池 and 欧阳万里 and 刘烨斌 and 王立民 and 孙哲南}, 会议论文集={国际计算机视觉会议论文集}, 年份={2021} }


## 致谢

部分代码借鉴自以下项目,包括 [DaNet](https://github.com/HongwenZhang/DaNet-3DHumanReconstruction), [SPIN](https://github.com/nkolot/SPIN), [VIBE](https://github.com/mkocabas/VIBE), [SPEC](https://github.com/mkocabas/SPEC), [MeshGraphormer](https://github.com/microsoft/MeshGraphormer), [PIFu](https://github.com/shunsukesaito/PIFu), [DensePose](https://github.com/facebookresearch/DensePose), [HMR](https://github.com/akanazawa/hmr), [HRNet](https://github.com/leoxiaobin/deep-high-resolution-net.pytorch), [pose_resnet](https://github.com/Microsoft/human-pose-estimation.pytorch)。非常感谢他们的贡献。