除了草图，像这样的小猴子，四肢严重不按比例生长，Sketch2Pose也可以办到：
这是如何做到的？
只要4步，草图人变3D人
将草图上的人物/形象变成3D模型，此前的研究中都还未专门涉及。
该任务最大的挑战就是比例失真问题，因为画上的东西可能头大身子小、胳膊长腿短……
为此，Sketch2Pose通过对三个关键元素进行预测来消除绘制姿势时的可能出现的“歧义”。
这三个元素分别是：
2D骨骼切线（2Dbonetangents）
自接触区域（self-contacts）
骨骼缩短比例（boneforeshortening）
其中，2D骨骼切线（下图蓝色部分）是预测3D骨骼方向最有力的指标（关节位置不行）。
自接触区域（如下图绿色部分，手接触腰的位置）对于理解3D姿势至关重要，也是消除未知身体部位歧义的线索。
骨骼缩短转换系统则利用统计分析来纠正原图中的比例问题。
根据这三者预测，再使用最先进的优化框架（optimizationframework），并用专门设计的一种新的损失（loss）来平衡姿势自然度，以及与输入草图的相似性，AI就能最终推断出符合画者意向的3D姿势。
具体步骤如下：
输入一张草图，首先预测出2D关节位置或骨架，用于3D人体模型的粗略对齐。
然后预测屏幕空间（screen-space）接触区域，将其映射到粗略对齐的3D模型上，得到一组接触顶点（红色部分）。
接着，利用缩短转换阶段描述的草图人物比例问题，进行修补。
最后，在优化框架中利用2D骨架的骨骼切线、粗略对齐的3D姿势以及比例修补，产生最终结果。
有遮挡缺失也OK
最终的Sketch2Pose可以支持多种草图风格的转换，比如下图中的简笔画或者水墨画，像下下图最后一张那样简略的也可以。
同时，对缺失、遮挡部位也能稳健处理。
比如上图第一行中的人手（不过我们发现左边的似乎推测有错，手应该是放在两腿之间；右边的抱头基本没啥问题，但手掌应该向后弯曲）。
再将Sketch2Pose和SOTA方法进行比较，结果还是令人非常满意的。
可以看到，Sketch2Pose（第三列）对姿势还原的更到位，缺失部分的预测也更符合人体构造。
而开头那只小猴子，Mülleretal.2021等方法的转换效果就是下面这样：
对于猴子“扭曲”的下肢部分，这些方法都出现了理解偏差——Sketch2Pose完胜。
作者介绍
Sketch2Pose一共有两位作者，都来自加拿大蒙特利尔大学。
一作名叫KirillBrodt(КириллБродт)，出生于1991年，本硕毕业于新西伯利亚州立大学（数学学位），后在Yandex数据分析和计算机科学中心学院学习机器学习，现为蒙特利尔大学的一位博士生。
他的主要研究方向为跟草图有关的计算机视觉转换。
另一位作者名叫MikhailBessmeltsev，是一作的导师，蒙特利尔大学计算机科学与运筹学系的助理教授。
感兴趣的同学可以戳论文原文，或者去Huggingface上试试效果。
项目主页：
Huggingfacedemo：
Github代码：
相关文章
头条焦点
精彩导读
关注我们
【查看完整讨论话题】 | 【用户登录】 | 【用户注册】