2018ECCV Can 3D Pose be Learned from2D Projections Alone?

摘要

在计算机视觉中，从单个图像的三维姿态估计是一个具有挑战性的任务。我们提出了一种弱监督的方法来估计3D姿态点，仅给出2D姿态地标。我们的方法不需要2D和3D点之间的对应关系来建立明确的3D先验。我们利用一个对抗性的框架，强加在3D结构上的先验，仅从他们的随机2D投影。给定一组2D姿态界标，生成器网络假设它们的深度以获得3D骨架。我们提出了一种新的随机投影层，它随机投影生成的3D骨架，并将产生的2D姿态发送到鉴别器。鉴别器通过区分所生成的姿态和来自2D姿态的真实的分布的姿态样本来改进。训练不需要发生器或鉴别器的2D输入之间的对应关系。我们将我们的方法应用于三维人体姿态估计的任务。Human3.6M数据集的结果表明，我们的方法优于许多以前的监督和弱监督方法。

引言

我们提出了一个弱监督学习算法来估计三维人体骨架从二维姿势地标。与以前的方法不同，我们不通过3D数据或利用显式的2D-3D对应来明确地学习先验。我们的系统可以生成3D骨架，只观察2D姿势。本文的贡献如下：

1.我们提出并证明，可以仅通过观察2D姿势来学习潜在的3D姿势分布，而不需要从3D数据进行任何回归。

2.我们提出了一个新的随机投影层，并利用它与对抗训练沿着从2D投影中强制执行3D结构的先验。

我们方法背后的关键直觉：给定输入2D姿态，存在无限数量的3D配置，其投影匹配该视图中的2D界标的位置。然而，从另一个随机选择的视点来看，不可信的3D骨架不太可能看起来真实。相反，准确估计的3D姿态的随机2D投影更可能符合真实的2D姿态分布，而不管观看方向如何。我们利用这个属性来学习3D上的先验通过2D投影。为了使3D姿态估计准确，（a）3D姿态到原始相机上的投影应当接近检测到的2D界标，以及（b）3D姿态到随机相机上的投影应当产生适合真实的2D界标的分布的2D界标。

生成对抗网络（GAN）[12]提供了一个自然的框架来学习分布而无需显式监督。我们的方法通过2D姿势间接学习潜在分布（3D姿势先验）。给定2D姿态，生成器假设关节位置的相对深度以获得3D人体骨骼。生成的3D骨架的随机2D投影与实际2D姿态样本一起被馈送到鉴别器（参见图2）。馈送到发生器和鉴别器的2D姿态在训练期间不需要任何对应。鉴别器从2D投影中学习先验，并使生成器能够最终产生逼真的3D骨架。

其中生成器（用于深度预测）

2D姿态到3D骨架的弱监督提升

在本节中，我们将描述我们的弱监督学习方法，以将2D人体姿势点提升到3D骨架。对抗性网络是出了名的难以训练，我们讨论了导致稳定训练的设计选择。为了与生成对抗网络命名约定的一致性，我们将3D姿态估计网络称为生成器。为了简单起见，我们在相机坐标系中工作，其中具有单位焦距的相机以世界坐标系的原点（0，0，0）为中心。设xi =（xi，yi），i = 1。..N表示N个2D姿势界标，其中根关节（髋关节之间的中点）位于原点处。因此，2D输入姿态由x = [x1，..xN]。对于数值稳定性，我们的目标是生成3D骨架，使得从头部顶部到根部关节的距离约为1个单位。

生成器Generator

生成器G被定义为输出每个点xi的深度偏移oi的神经网络

其中θG是在训练期间学习的发生器的参数。每个点的深度定义为

其中d表示相机与3D骨架之间的距离。注意，d的选择是任意的，只要d > 1。将zi约束为大于1可确保将点投影到摄影机前面。实际上，我们使用d = 10个单位。

接下来，我们定义反向投影和随机投影层，负责生成3D骨架并将其投影到其他随机视图。

背面投影层Back Projection Layer

反投影层采用输入2D点xi和预测的zi以计算3D点Xi = [zixi，ziyi，zi]。注意，我们使用精确透视投影代替近似，例如正投影或旁透视投影。

随机投影层 Random Projection Layer

假设的（生成的）3D骨架使用随机生成的相机取向被投影到2D姿态，以被馈送到鉴别器。为了简单起见，我们随机旋转3D点（原地）并应用透视投影以获得假2D投影。设R是随机旋转矩阵，T = [0，0，d]。令Pi = [Px i，Pyi，Pz i ] = R（Xi-T）+T表示应用随机旋转之后的3D点。这些点被重新投影以获得假2D点pi = [pxi，py i ] = [Px i /Pz i，Py i /Pz i ]。旋转的点Pi也应该在相机前面。为了确保这一点，我们还强制Pz i ≥ 1。设p = [p1]，..，pN]表示2D投影姿态。

注意透视投影中存在固有的模糊性;将3D骨架的尺寸和距照相机的距离加倍将导致相同的2D投影。因此，预测绝对3D坐标的生成器在批次中的每个训练样本的预测大小和距离之间具有附加的自由度。这可能潜在地导致生成器输出和批次内的梯度幅度的大的变化，并且导致训练中的收敛问题。我们通过预测相对于恒定深度d的深度偏移并围绕它旋转来消除这种模糊性，从而实现稳定的训练。在第4节中，我们为我们的方法定义了一个简单的基线，该基线假设所有点的深度恒定（深度偏移等于零，平坦的人体骨骼输出），并表明我们的方法可以预测有意义的深度偏移

判别器 Discriminator

鉴别器D被定义为神经网络，其消耗假2D姿态p（从生成的3D骨架随机投影）或真实的2D姿态r（经由相机或合成视图的真实3D骨架的一些投影），并分别将它们分类为假（目标概率为0）或真实（目标概率为1）。

其中θD是在训练期间学习的鉴别器的参数，并且u表示2D姿态。注意，对于任何训练样本X，我们不要求r与X或其任何多视图对应相同。在学习过程中，我们使用标准的GAN损失[12]，定义为

先验的3D骨架，如肢体长度和关节角度的比例隐式学习，只使用随机的2D投影。

在我们的生成器和鉴别器架构中使用的残差块

Training

对于训练，我们通过使用根关节将2D姿势标志居中并缩放像素坐标来归一化2D姿势标志，使得训练数据上的平均头根距离是2D中的1/d单位。虽然我们可以在GPU内存中容纳整个数据，但我们使用的批处理大小为32，768。我们使用Adam优化器[21]，生成器和鉴别器网络的起始学习率为0.0002。我们在实验中将批量在8，192和65，536之间变化，但对性能没有任何显著影响。8个TitanX GPU的训练时间为每批0.4秒。

生成器结构

生成器接受表示14个2D关节位置的28维输入。输入连接到全连接层以将维度扩展到1024，然后馈送到后续残差块中。与[26]类似，残差块由一对完全连接的层组成，每个层有1024个神经元，然后是批量归一化[16]和RELU（见图3）。通过全连接层减小最终输出以产生14维深度偏移（每个姿势关节一个）。在生成器中采用总共4个残差块。