我们提出了Interhandgen,这是一个新颖的框架,可以学习双手相互作用的生成之前。从我们的模型中产生的可以与有或没有物体密切相互作用产生合理和不同的两手形状。 我们的先验可以将其纳入任何优化或学习方法中,以降低设置不足的设置中的歧义。 我们的主要观察结果是,直接建模多个实例的联合分布由于其组合性质而施加了高的学习复杂性。 因此,我们建议将关节分布的建模解析为无条件和条件单个实例分布的建模。 尤其是我们引入了一个扩散模型,该模型通过调节掉落来学习单手分布无条件和条件到另一只手的条件。 用于抽样,我们结合了抗渗透和无分类器的指导,以实现合理的生成。 此外,我们建立了两手合理的严格评估方案,在这种情况下,我们的方法在合理性和多样性方面显着优于基线生成模型。 我们还证明,我们的扩散先验可以提高单眼内部图像的双手重建的实现,从而实现了新的最新准确性。可以与有或没有物体密切相互作用产生合理和不同的两手形状。我们的先验可以将其纳入任何优化或学习方法中,以降低设置不足的设置中的歧义。我们的主要观察结果是,直接建模多个实例的联合分布由于其组合性质而施加了高的学习复杂性。因此,我们建议将关节分布的建模解析为无条件和条件单个实例分布的建模。尤其是我们引入了一个扩散模型,该模型通过调节掉落来学习单手分布无条件和条件到另一只手的条件。用于抽样,我们结合了抗渗透和无分类器的指导,以实现合理的生成。此外,我们建立了两手合理的严格评估方案,在这种情况下,我们的方法在合理性和多样性方面显着优于基线生成模型。我们还证明,我们的扩散先验可以提高单眼内部图像的双手重建的实现,从而实现了新的最新准确性。
主要关键词