AvatarPoser

AvatarPoser

革新全身姿态跟踪 仅需头手运动数据

AvatarPoser是一项突破性的全身姿态预测技术,仅需头部和手部运动数据即可在世界坐标系中准确估计全身姿态。该方法结合Transformer编码器和运动解耦技术,通过逆运动学优化生成逼真动作。AvatarPoser在大型动作捕捉数据集上表现出色,并具备实时推理能力,为元宇宙应用中的全身虚拟形象控制提供了实用解决方案。

AvatarPoser全身姿势跟踪混合现实TransformerAMASS数据集Github开源项目

AvatarPoser:基于稀疏运动感知的全身关节姿态追踪(ECCV 2022,官方代码)

Jiaxi Jiang<sup>1</sup>Paul Streli<sup>1</sup>,Huajian Qiu<sup>1</sup>Andreas Fender<sup>1</sup>,Larissa Laich<sup>2</sup>Patrick Snape<sup>2</sup>Christian Holz<sup>1</sup><br/>

<sup>1</sup> 感知、交互与认知实验室,苏黎世联邦理工学院计算机科学系,瑞士 <br/> <sup>2</sup> Meta实验室,瑞士苏黎世 <br/>

<p align="center"> </p>
<p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/004943e4-a000-4e44-87d0-38ca485dab77.gif" width="800"> </p>

当今的混合现实头戴式显示器可以在世界空间中追踪用户的头部姿势,并在增强现实和虚拟现实场景中追踪用户的手部以进行交互。虽然这足以支持用户输入,但不幸的是,它将用户的虚拟表示限制在仅上半身。因此,当前系统只能使用浮动头像,这种限制在协作环境中尤为明显。为了从稀疏的输入源估计全身姿势,之前的研究在骨盆或下半身加入了额外的追踪器和传感器,这增加了设置的复杂性,并限制了在移动环境中的实际应用。在本文中,我们提出了AvatarPoser,这是第一个仅使用用户头部和手部运动输入来预测世界坐标系下全身姿势的基于学习的方法。我们的方法基于Transformer编码器从输入信号中提取深层特征,并将全局运动与学习到的局部关节方向解耦,以指导姿势估计。为了获得准确的全身运动,使其类似于动作捕捉动画,我们使用逆运动学优化程序来细化手臂关节的位置,以匹配原始追踪输入。在我们的评估中,AvatarPoser在大型动作捕捉数据集(AMASS)的评估中达到了新的最先进结果。同时,我们方法的推理速度支持实时操作,为元宇宙应用提供了一个实用的接口,支持整体化的头像控制和表示。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/28752fbe-c520-4a50-9db0-7686cd25562b.jpg" width="800"> </p>

目录

数据集

  1. 请从AMASS下载数据集BMLrubCMUHDM05
  2. 下载所需的人体模型并将其放置在本仓库的support_data/body_models目录中。对于SMPL+H人体模型,请从http://mano.is.tue.mpg.de/下载。请下载带有DMPL混合形状的AMASS版本模型。您可以从http://smpl.is.tue.mpg.de获取动态形状混合形状,例如DMPLs。
  3. (可选)如果您想要新的随机数据分割,请运行generate_split.py
  4. 运行prepare_data.py以预处理输入数据,以加快训练速度。我们论文中使用的训练和测试数据分割存储在data_split文件夹下。

训练

要进行训练,请运行:

python main_train_avatarposer.py -opt options/train_avatarposer.json

测试

要进行测试,请运行:

python main_test_avatarposer.py

预训练模型

点击预训练模型下载我们的AvatarPoser预训练模型,并将其放入model_zoo

引用

如果您发现我们的论文或代码有用,请引用我们的工作:

@inproceedings{jiang2022avatarposer,
  title={AvatarPoser: Articulated Full-Body Pose Tracking from Sparse Motion Sensing},
  author={Jiang, Jiaxi and Streli, Paul and Qiu, Huajian and Fender, Andreas and Laich, Larissa and Snape, Patrick and Holz, Christian},
  booktitle={Proceedings of European Conference on Computer Vision},
  year={2022},
  organization={Springer}
}

许可和致谢

本项目以MIT许可发布。我们参考了FBCNNKAIR中的代码框架进行网络训练。

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