手势识别2020（二）HandVoxNet

原文：HandVoxNet: Deep Voxel-Based Network for 3D Hand Shape and Pose Estimation from a Single Depth Map
收录：CVPR2020

---

Abstract

       本文实现从单张深度图里来进行3D手部姿态估计，当前好多方法则是从2D深度图直接回归3D hand meshes，这样不好之处在：因为透视失真使得复原后的图形存在人工痕迹，即便往网络中嵌入一个真实统计手模型（例如 MANO），也会出现同样的问题。
 

       在弱监督学习下，HandVoxNet 输入一个3D体素化深度图，并依赖于两个手形表示（ hand shape representations），第一个是3D体素化手形（3D voxelized grid of the shape） ，它是准确的，但不保持mesh的拓扑结构和mesh的顶点数量；第二种则是3D手部表面（3D hand surface ），其精度较低，但不受第一种表示的限制。结合这两种表示的优点，将 手的表面 与 体素化的手形 结合起来。

---

1. Introduction

       从单张深度图同时估计3D手部姿态和形状是一个新兴的计算机视觉问题，它比姿态估计更具挑战性，由于手形状多样、遮挡、高自由度(DOF)和自相似性，对真实图像进行形状标注非常困难。密集的3D手网格比稀疏的3D节点表示效果更丰富。

       V2V-PoseNet 是第一个通过使用深度图的3D体素化网格来估计3D关节点热图，且避免透视失真，然而通过直接回归网格顶点的3D热图来做到形状估计，发现在实践中是不可行的。

       之前也说到，本文使用两种表示，第一个表示是 体素化网格的手形表示。通过一个体素到体素（voxel-to-voxel）网络，实现将体素化深度图和体素化形状之间建立一对一的映射。第二种表示则是体素到面（ voxel-to-surface ）网络来估计手表面。

---

 
主要贡献：

• 基于体素的手的形状和姿态估计方法有以下组成部分：
  （i）Voxel-to-voxel 3D CNN-based network;
  （ii）Voxel-to-surface 3D CNN-based network;
  （iii）3D CNN-based voxelized depth map synthesizers;
  （iv）Hand shape registration components.
• 提出一种新的深度图体素化网格3D数据增强策略。

---

2. Method Overview

       如上图所示，输入单张深度图，目标就是估计出 $N$维3D手部关节点坐标 ${\mathcal{J}\in \mathcal{R}}^{3\times N}(i.e.,3Dpose)$ 以及 K=1193维3D顶点坐标${\mathcal{V}\in \mathcal{R}}^{3\times K}(i.e.,3Dshape)$，首先将输入的深度图转化为体素化网格，即：$V_D(size=88\times 88\times 88)$，通过 V2V-PoseNet 直接估计3D关节点热图 ${\{{\mathcal{H}}_j\}}_{j=1}^N(size=44\times 44\times 44)$，这个关节点热图也是体素化网格，然后将$V_D$ resize to $V_D^{\prime }$，其中 $V_D^{\prime }$ 大小为$44\times 44\times 44$，最后将两者结合在一起，用${\mathcal{I}}_S$ 来表示。

       通过 V2V-ShapeNet 之后得到的 Voxelized Shape ${\hat{\mathcal{V}}}_{\mathcal{S}}(size=64\times 64\times 64)$，V2V-SynNet 和 S2V-SynNet 重建$V_D^{\prime }$，并在训练中作为监督，测试时就去除掉。

---

3. The Proposed HandVoxNet Approach

• Voxelized Shape Estimation
         它允许网络以最小化透视失真机会的方式来估计形状，V2V-ShapeNet 可以看作是3D形状解码器：
  
         上式中，p(·)是解码分布，解码器不断学习，使得重构的体素化手形 ${\hat{\mathcal{V}}}_{\mathcal{S}}$ 尽可能接近体素化手形GT值 ${\mathcal{V}}_{\mathcal{S}}$，V2V-ShapeNet 直接估计体素化形状中每个体素的概率，表明它是否是背景(i.e.,0）或是形状体素(i.e.,1)，体素化形状重建的每体素的 二元交叉熵损失 表示如下：
  
         由于没有对真实手形的注释，因此要有效地学习真正的手形，弱监督是必不可少的，V2V-SynNet 从估计的体素化形状中合成体素化深度图。给出了用于体素化深度图重建的单体素二元交叉熵损失Lv VD：
  

---

• Shape Surface Estimation
         为了便于 Shape Registration ，手部姿态的表面形状应该要和体素化形状相似，这样才能匹配合成。和之前一样，V2S-Net 的输入也是${\mathcal{I}}_S$ ，损失函数则是 standard Euclidean loss：
  S2V-Net的损失函数 ${\mathcal{L}}_{V_D}^s$ 类似等式（3）。

• Shape Registration
  在测试时，对于real dataset使用 NRGA，对于合成数据则使用 DispVoxNets

• Total Loss
  

---

4. Result