摘要

由于真实场景图像（in-the-wild images）缺乏相机参数信息，现有的三维人体姿态与形状（3D Human Pose and Shape, HPS）估计方法通常采用若干简化假设：弱透视投影、恒定的大焦距以及零相机旋转。然而，这些假设在实际中往往不成立。我们通过定量与定性分析表明，这些假设会导致重建的三维人体形状与姿态产生显著误差。为解决这一问题，我们提出SPEC——首个能够从单张图像中估计透视相机参数的真实场景三维HPS方法，并利用估计出的相机参数实现更精确的人体三维重建。首先，我们训练一个神经网络，根据输入图像估计视场角（field of view）、相机俯仰角（pitch）和翻滚角（roll）。我们设计了新颖的损失函数，显著提升了相机标定的精度，优于以往方法。随后，我们构建了一种新型网络架构，将估计得到的相机参数与图像特征进行拼接，并联合用于回归三维人体形状与姿态。在标准基准数据集3DPW以及两个更具挑战性、包含多样相机视角和变化焦距的新数据集上，SPEC均显著优于现有方法。具体而言，我们构建了一个新的、高度逼真的合成数据集SPEC-SYN，其中包含真实三维人体的标注；同时，我们还创建了一个全新的真实场景数据集SPEC-MTP，该数据集包含相机标定信息与高质量参考人体模型。定性和定量分析均证实：在推理阶段引入相机参数，能够显著提升人体三维重建的准确性。相关代码与数据集已开放，供科研使用，详见：https://spec.is.tue.mpg.de。