摘要

随着3D人体姿态和形状估计技术的进步，最先进的方法要么能够对遮挡具有鲁棒性，要么在无遮挡情况下获得像素级精度。然而，这些方法无法同时实现鲁棒性和网格图像对齐。在这项工作中，我们提出了NIKI（基于可逆神经网络的神经逆运动学），该模型通过建模双向误差来提高对遮挡的鲁棒性并获得像素级精度。NIKI可以从正向和逆向过程中的数据中学习，利用可逆网络进行训练。在逆向过程中，模型将误差从合理的3D姿态流形中分离出来，以实现稳健的3D人体姿态估计。在正向过程中，我们施加零误差边界条件，以提高对可靠关节位置的敏感度，从而改善网格图像对齐效果。此外，NIKI通过旋-摆分解（twist-and-swing decomposition）模拟解析逆运动学算法，提高了模型的可解释性。我们在标准和特定遮挡基准上进行的实验展示了NIKI的有效性，在这些实验中我们同时展示了其鲁棒性和良好的对齐结果。代码可在 https://github.com/Jeff-sjtu/NIKI 获取。