3D Human Pose Estimation with Occlusions: Introducing BlendMimic3D Dataset and GCN Refinement

在3D人体姿态估计领域，准确地估计人体姿态，特别是在存在遮挡的情况下，是一个重大挑战。本文确定并解决了当前3D HPE领域中存在的数据稀缺和处理遮挡策略的问题。我们介绍了我们的新型BlendMimic3D数据集，旨在模拟遮挡情况下的真实世界场景，以便在3D HPE算法中进行无缝集成。此外，我们提出了一个3D姿态细化块，采用图卷积网络（GCN）通过图模型增强姿态表示。这个GCN块作为一个即插即用的解决方案，适用于各种3D HPE框架，无需重新训练它们。通过使用BlendMimic3D中的遮挡数据训练GCN，我们展示了解决遮挡姿态的显著改进，与非遮挡姿态的结果相当。项目网页可在https://blendmimic3d.github.io/BlendMimic3D/上找到。

论文旨在解决3D人体姿态估计中的遮挡问题，并提出了一个新的数据集和解决方案。

论文提出了一个新的BlendMimic3D数据集，旨在模拟真实场景中的遮挡情况，同时提出了一个基于图卷积网络的3D姿态细化模块，可以无需重新训练适用于各种3D HPE框架。

论文提出的数据集和解决方案都能够有效地解决遮挡问题，并且不需要重新训练现有的3D HPE框架。实验结果表明，使用BlendMimic3D数据集进行训练的GCN模块可以显著提高遮挡姿态的估计精度。

最近的相关研究包括：《3D人体姿态估计：从单目RGB到深度学习》、《人体姿态估计中的深度学习：一个综述》、《基于深度学习的3D人体姿态估计：进展和挑战》等。