介绍中国研究人员的“RemoCap：用于动作捕捉的解开表示学习”技术。 一项新技术，在从单个图像捕捉人体运动时，即使有盾牌，也可以产生相对高精度的结果！
RemoCap：用于动作捕捉的解缠表示学习
由于普遍存在的复杂遮挡，从真实的运动序列中重建 3D 人体仍然是一个挑战。 目前的方法使得很难通过遮挡捕捉身体部位的动态，导致模型穿透和扭曲的运动。 为了克服这些限制，RemoCap 利用了空间分离 （SD） 和运动分离 （MD）。
SD 解决了目标人体与周围物体之间的遮挡干扰问题。 这是通过沿尺寸轴分离目标的特征来实现的。 通过根据特征在每个维度中的空间位置对齐特征，SD 将目标对象的响应隔离在全局窗口内，从而在遮挡的情况下实现准确捕获。 MD 模块采用每通道时间洗牌策略来模拟多样化的场景动态。 这个过程有效地分离了机芯的特征，使RemoCap能够更忠实地重建遮挡部分。 此外，在本文中，我们引入了促进时间相干性的序列速度损失。 这种损失抑制了帧之间的速度误差，并确保预测的运动显示出真实的一致性。 在基准数据集中与最先进的 （SOTA） 方法的广泛比较表明，RemoCap 在 3D 人体重建方面具有卓越的性能。 在 3DPW 数据集中，RemoCap 在 MPVPE （81.9）、MPJPE （72.7） 和 PA-MPJPE （44.1） 指标中表现最佳，优于所有竞争对手。
看来中国企业在这种研究和服务开发上领先了一步，
而且代码本身似乎已经发布了一段时间，所以似乎有些服务已经出台了。
如果您有兴趣，请查看。