【论文阅读】LASOR: Learning Accurate 3D Human Pose and Shape Via Synthetic Occlusion-Aware Data and Neural

1.环境配置上

1.1 报错

1.1.1 opencv

cv2.error: OpenCV(4.6.0) error: (-5:Bad argument) in function ‘circle’
Overload resolution failed:

• Can’t parse ‘center’. Sequence item with index 0 has a wrong type
• Can’t parse ‘center’. Sequence item with index 0 has a wrong type

（1）https://blog.csdn.net/weixin_44279924/article/details/121488230
（2）下降版本：
pip install opencv-python==4.5.1.48 -i https://pypi.douban.com/simple

1.1.2 一些源于云端服务器的没办法解决的报错

ValueError: Invalid device ID (0)

由于render出现的device问题

pyglet.canvas.xlib.NoSuchDisplayException: Cannot connect to “None”

2. 论文

先看总结

2.1 总结

我们提出了一种新的框架，综合了遮挡感知轮廓和二维关键点表示，以克服人体姿态和形状回归时的数据稀缺问题，证明该框架在人际遮挡和其他遮挡情况下都能很好地工作。集成了可微渲染以实现动态剪影监控，有助于提高姿态和形状估计的准确性。为了在已有数据集的基础上增加视点的多样性，提出了一种全景视点中关键点和轮廓驱动数据的合成方法。得益于这些策略，实验结果表明，在姿态精度方面，所提出的框架是3DPW和3DPW- crowd数据集上最先进的方法之一。虽然与这些使用对训练数据的方法比较不公平，但本文方法在形状估计方面明显优于Mesh Transformer[28]、3DCrowdNet[36]和ROMP[29]。在人体形状估计精度方面，SSP-3D也实现了最佳性能。咬合感知的合成数据生成策略、神经网格渲染器支持的剪影监督和视点增强策略也可以应用于3D人体姿态和形状估计的其他方法，以提高社区的整体性能。

2.2 新的框架

2.2.1 视图增强

核心算法：修改人体模型的全局方位并不会改变人体的三维姿态，但在二维图像上的投影却有很大的不同。

这个点在做的事情就有点像是在吃鸡中拉动环境获得不同视角

代码实现！！！！

2.2.2 生成合成数据

根据t1加上移位得到t2。为了得到各种形状数据，我们将βi替换为一个新的随机向量β 0，它由对n个形状参数β 0 采样生成。我们使用θ 0 1和θ 0 2，用视点增强法得到的方向θg代替原来的θ1和θ2。然后，(θ 0 1， β 0 1)和(θ 0 2， β 0 2)对应的三维顶点v1和v2

2.2.3 利用可微渲染监督损失

训练代码没有给出不知道具体是如何实现的