EMDB: The Electromagnetic Database of Global 3D Human Pose and Shape in the Wild

解决问题：该论文旨在解决在野外环境下获取高质量的全局三维人体姿态和形状数据的问题。此前的研究很少涉及在野外环境下的数据收集和姿态估计。

关键思路：该论文提出了一种新的数据集EMDB，其中包含了81个室内外场景和10名参与者的58分钟运动数据，使用无线电磁传感器和iPhone进行记录。作者提出了一种多阶段优化过程，首先将SMPL拟合到6自由度的EM测量中，然后通过图像观察来优化姿势。为了获得高质量的结果，作者使用了神经隐式化身模型来重建详细的人体表面几何和外观，从而通过密集的像素级目标实现了更好的对齐和平滑度。评估结果表明，EMDB具有2.3厘米的位置误差和10.6度的角度误差，超过了先前野外数据集的准确性。

其他亮点：EMDB数据集提供了高质量的人体姿态和形状参数，以及全局相机姿态和身体根轨迹。作者还评估了现有的单目RGB方法在EMDB上的相机相对和全局姿态估计方面的表现。EMDB是公开可用的，可以在https://ait.ethz.ch/emdb上访问。

相关研究：与该论文相关的其他研究包括：

  • "3D Human Pose Estimation in the Wild by Adversarial Learning"，作者：Xiao Sun，机构：The University of Hong Kong
  • "VIBE: Video Inference for Human Body Pose and Shape Estimation"，作者：Muhammed Kocabas，机构：Max Planck Institute for Informatics
  • "Monocular Total Capture: Posing Face, Body, and Hands in the Wild"，作者：Gyeongsik Moon，机构：KAIST

论文摘要：本文介绍了EMDB，即野外环境下全球3D人体姿态和形状的电磁数据库。EMDB是一个新颖的数据集，包含高质量的3D SMPL姿态和形状参数，以及全球身体和相机轨迹，适用于野外视频。作者使用身体佩戴的无线电磁（EM）传感器和手持iPhone记录了总共58分钟的运动数据，分布在81个室内外场景和10个参与者之间。除了准确的身体姿势和形状外，作者还提供了全局相机姿势和身体根轨迹。为了构建EMDB，作者提出了一个多阶段优化程序，首先将SMPL拟合到6自由度的EM测量中，然后通过图像观察来优化姿势。为了实现高质量的结果，作者利用神经隐式化身模型重建了详细的人体表面几何和外观，从而通过密集的像素级目标实现了更好的对齐和平滑度。作者使用多视角体积捕捉系统进行评估，结果表明EMDB的期望精度为2.3厘米位置和10.6度角度误差，超过了以前的野外数据集的精度。作者还对EMDB上现有的单目RGB方法进行了相机相对和全局姿态估计的评估。EMDB可在https://ait.ethz.ch/emdb上公开获取。

内容中包含的图片若涉及版权问题，请及时与我们联系删除