Answers are grounded in this paper and cite their sources.
Compares absolute and relative rotation modeling in 3D human mesh recovery, suggesting enhanced performance with absolute rotation.
본 논문은 3차원 인체 메시 정점 시퀀스(3D human mesh vertex sequence)로부터 SMPL 매개변수를 역산하는 정점-대-매개 변수(vertices-to-params) 문제를 다룬다. 이는 고해상도 3차원 스캔 데이터를 제어 가능한 파라메트릭 모델로 변환하거나 노이즈가 포함된 메시를 정제하는 데 필수적인 과정이다. 기존의 인체 메시 복원 연구들은 전통적으로 부모 관절에 대한 상대적 회전(relative rotation)을 자세 매개변수로 추론해 왔다. 그러나 입력 데이터인 메시 정점들이 전역(global) 좌표계상의 절대적 위치 정보를 포함하고 있다는 점을 고려할 때, 상대적 회전을 예측하는 방식은 네트워크가 복잡한 인체 계층 구조(kinematic chain)를 내부적으로 학습해야 하는 부담을 초래한다. 우리는 입력 전역 정점(global vertices)과 출력 회전(rotation)의 좌표계를 일치시키는 것이 매핑 함수의 복잡도를 낮추고 학습 성능을 향상시킬 수 있다는 가설 아래, 상대적 회전 대신 절대적 회전(absolute rotation)을 직접 추론하는 방식을 제안한다. 이를 검증하기 위해 시공간적 특징 추출에 최적화된 트랜스포머 인코더 기반의 Seq2Seq 모델을 설계하였으며, 동일한 아키텍처 하에서 출력 헤드의 표현 방식만을 상대적/절대적 회전으로 달리하여 비교 실험을 수행하였다. AMASS 데이터셋을 이용한 실험 결과, 오차가 없는 이상적인 메시와 현실적인 오차가 포함된 메시 입력 모두에서 절대적 회전 기반 모델이 정밀도와 안정성 측면에서 일관되게 우수한 성능을 보였다. 이는 딥러닝 기반 역기구학(inverse kinematics) 문제에서 데이터 특성에 맞는 파라미터 공간 설정이 성능에 결정적인 영향을 미친다는 것을 시사한다.
No takes yet. Share an insight, caveat, or question.
Chun et al. (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: