Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

MaskHand: Generative Masked Modeling for Robust Hand Mesh Reconstruction in the Wild

Created by
  • Haebom
Category
Empty

저자

Muhammad Usama Saleem, Ekkasit Pinyoanuntapong, Mayur Jagdishbhai Patel, Hongfei Xue, Ahmed Helmy, Srijan Das, Pu Wang

개요

단일 RGB 이미지로부터 3D 손 메시를 재구성하는 것은 복잡한 관절, 자기폐색, 깊이 모호성으로 인해 어려운 과제입니다. 2D 이미지에서 단일 3D 메시로의 결정적 매핑을 학습하는 기존의 판별적 방법들은 2D-to-3D 매핑의 고유한 모호성으로 어려움을 겪습니다. 이러한 문제를 해결하기 위해 본 논문에서는 모호한 2D-to-3D 매핑 과정의 확률적 분포를 학습하고 샘플링하여 타당한 3D 손 메시를 합성하는 새로운 생성적 마스크 모델인 MaskHand를 제안합니다. MaskHand는 두 가지 주요 구성 요소로 구성됩니다. (1) 잠재 공간에서 3D 손 관절을 이산 자세 토큰으로 인코딩하는 VQ-MANO, (2) 자세 토큰을 무작위로 마스킹하고 손상된 토큰 시퀀스, 이미지 컨텍스트 및 2D 자세 큐를 조건으로 그들의 결합 분포를 학습하는 Context-Guided Masked Transformer입니다. 이 학습된 분포는 추론 중 신뢰도 기반 샘플링을 용이하게 하여 불확실성이 낮고 정밀도가 높은 메시 재구성을 생성합니다. 벤치마크 및 실제 데이터 세트에 대한 광범위한 평가는 MaskHand가 3D 손 메시 재구성에서 최첨단 정확도, 강건성 및 사실성을 달성함을 보여줍니다.

시사점, 한계점

•
시사점:
◦
모호한 2D-to-3D 매핑 문제를 해결하기 위해 생성적 마스크 모델을 제안하여 기존 방법의 한계를 극복했습니다.
◦
VQ-MANO와 Context-Guided Masked Transformer를 활용하여 3D 손 메시 재구성의 정확도, 강건성, 사실성을 향상시켰습니다.
◦
신뢰도 기반 샘플링을 통해 불확실성이 낮고 정밀도가 높은 메시 재구성을 가능하게 했습니다.
◦
벤치마크 및 실제 데이터 세트에서 최첨단 성능을 달성했습니다.
•
한계점:
◦
제안된 모델의 계산 비용 및 복잡성에 대한 자세한 분석이 부족합니다.
◦
다양한 조명 조건이나 배경에서의 성능에 대한 추가적인 연구가 필요합니다.
◦
모델의 일반화 능력에 대한 더 폭넓은 평가가 필요합니다.
◦
손의 심한 폐색이나 비정상적인 자세에 대한 취약성 여부에 대한 추가적인 실험이 필요합니다.
👍
Made with Slashpage