RepNet 论文阅读笔记

论文原文：https://arxiv.org/abs/1407.1239
本文的研究是通过单张RGB图像中的人体2D姿态转换成3D姿态，即作了姿态升维。

总体思路

借鉴了对抗生成网络与传统坐标透视转换的思想，模型分为三部分：

1. 第一部分姿态网络：就是传统做法常用的带残差的全连接神经网络直接通过2d姿态坐标预测3d姿态坐标。

2. 第二部分相机网络：相机的参数由六个坐标决定（选择、缩放），采用与姿态网络相似的网络直接回归出六个坐标。

3. 第二部分批判网络：类似GAN中的对抗网络，学习3D姿态的正常分布情况，迫使姿态网络产生符合常理的3D姿态。

姿态网络通过2d坐标生成3d坐标，相机网络生成相机参数，由相机参数重新将3d坐标投影回2d坐标（Reproject，论文名字由来），通过与原始坐标的损失进行反向传播。间隔一定周期更新批判网络。

姿态网络

使用人体16个关键点的2d坐标作为输入，输入层为，模型由如图所示的带残差的全连接层以及普通全连接层组成，输出层为，代表16个点关键点的3d坐标。这种网络就是传统直接使用深度学习从2d向3d转换的典型网络。模型相当于做了一个从$X\in {\mathbb{R}}^{2\times n}$到$X\in {\mathbb{R}}^{3\times n}$的映射。输出$X\in {\mathbb{R}}^{3\times n}$

相机模型

与姿态模型类似的结构，直接回归出确定一个相机位姿所需的六个参数，输出层为，相当于一个长度为6的向量，每个向量都是一个相机参数，该向量被reshape为后期运算所需的形状2x3。输出为$\mathbf{K}\in {\mathbb{R}}^{2\times 3}$。

重投影层

框架图的右下角部分，通过3D姿态坐标与相机参数矩阵，可以将3D坐标重新投射到2D坐标（精髓所在），称为2D重投影坐标。实质上就是做了一个矩阵乘法：
$$W^{\prime }=KX$$
通过与输入模型的真实2D坐标的F范数得到重投影损失函数：
$${\mathcal{L}}_{rep}(\mathbf{X},\mathbf{K})=\Vert \mathbf{W}-\mathbf{K}\mathbf{X}{\Vert }_F$$

批判网络

如图所示，模型的输入为姿态网络生成的3D姿态坐标，模型分为上下两路，先对进行KCS(论文为kinematic chain space，没了解)转换成类似于球坐标（因为原始的全连接层难以提取运动链，对称性和关节角度等人体姿态特征），然后接一层全连接层。下路直接使用全连接层，两路并行后拼接再经过全连接层获取批判网络的输出。批判网络以Wasserstein loss作为损失函数

数据预处理

• 相机参数的确定：对于每个姿态，设计了一个模板姿态，然后将3D姿态于模板姿态对齐，从而计算其旋转、缩放等参数