[논문리뷰 | CV] BEDLAM: A Synthetic Dataset of Bodies Exhibiting Detailed Lifelike Animated Motion(2023) Summary
1
[논문리뷰]
목록 보기
31/41
Title
- BEDLAM: A Synthetic Dataset of Bodies Exhibiting Detailed Lifelike Animated Motion
Abstract
- BEDLAM은 3D 인간 포즈와 형태 추정(HPS) 작업에 대한 알고리즘을 훈련하고 테스트하기 위해 설계된 대규모 합성 비디오 데이터셋임.
- 이전 데이터셋에서는 dataset이 작거나 비현실적이거나 현실적인 의상이 부족하였지만, BEDLEM dataset에서는 기존 단점들을 해결하며 SMPL-X 형식의 3D 몸체와 함께 단일 RGB video로 데이터를 생성함.
- BEDLAM은 SMPL-X 형식의 3D 몸체와 함께 제공되며, 다양한 신체 형태, 피부 톤, 동작, 머리카락, 연령, 의상 등을 포함함.
- 이 데이터를 통해서 real training image 없이도 real image dataset에서 SOTA를 달성
- 기존 연구에서는 SMPL 및 HMR(End-to-end recovery of human shape and pose) 의 도입으로 연구가 급속도로 발전하여 3D HPS의 정확도가 향상함. 하지만 여전히 모델 구조 개선과 training dataset 개선이라는 문제점이 남아있음.
- 이는 모든 이미지, 3D 의류, 몸체 등 연구 목적으로 제공됨.
1. Introduction
- 이 논문은 3D 인간 포즈와 형태 추정(HPS) 문제에 대한 신경망 기반의 새로운 접근 방식을 소개함.
- BEDLAM은 현실적인 3D 인간 움직임을 포함하는 대규모 합성 데이터셋으로, 실제 데이터에 대한 3D 인간 포즈와 형태 추정을 위한 훈련에 매우 효과적임.
- 3D 의류 모델링과 동작 인식 학습에도 활용될 수 있음.
2. Related work
- 이 부분에서는 3D 포즈와 형태(HPS) 추정을 위한 훈련 데이터 유형에 대해 4가지 주요 데이터 유형에 대해 설명함.
- Real Images
- 움직임 캡처를 사용하여 고품질의 실제 데이터를 생성함.
- 이러한 데이터는 정확하지만, 옷, 동작의 종류, 장면 등에서 변화가 제한적임.
- Real Images in the wild with 2D ground truth
- 이미지는 다양하고 복잡하지만, 인간 주석자에 의존하며 3D 몸체 형태에 대한 정보가 없음.
- Real Images in the wild with 3D pseudo ground truth
- 2D 데이터 or 추가 센서에서 추청된 3D 몸체 모델을 이용하여 생성된 데이터임.
- Synthetic Images with perfect ground truth
- 합성 이미지는 실제 이미지의 한계를 해결하기 위한 것
- 그러나 이전의 합성 데이터셋은 너무 작거나 현실적이지 않아 문제점이 있었음.
📌 요약하면!
- 이전의 연구는 몸체 형태, 텍스처, 포즈, 동작, 배경, 옷 종류, 물리적 현실성, 카메라 등 하나 이상의 측면에서 제한적이었음.
- 그래서 이전의 데이터셋은 실제 이미지에서 작동하는 HPS 방법을 훈련하기에 충분하지 않았음.
- BEDLAM 데이터셋은 이러한 한계를 극복함.
3. Dataset
- BEDLAM은 다양한 데이터를 생성하기 위해 271개의 body shape(남자 109명, 여자 162명)을 지원함.
- 다양한 skin tone을 지원하기 위해 Meshcapade 방법의 100가지 skin texture를 사용함.
- SMPL-X의 머리에 27가지 hair(Reallusion)를 추가함.
- 디자인 된 texture를 이용하여 옷에 texture를 입히고, body는 AMASS에서 샘플링한 2311개의 동작을 사용하여 애니메이션화 진행
- 위의 그림은 데이터를 만드는 과정임.
- 다양한 Skin tone 지원
- 다양한 clothing and texture 지원
- BMI 지수에 따라 texture mapping
- 다양한 27 헤어스타일 지원
4. Experiments
- BEDLAM-CLIFF를 사용하여 학습한 결과는 아래 3개 도표와 같음.
5. Limitations and Future Work
- 이 연구는 합성 인간 데이터가 실제 이미 데이터를 대체할 수 있음을 보여줌.
- 새롭고 더 나은 합성 데이터셋을 만들기 위한 제한 사항 및 개선 방향에 대한 논의
6. Discussion and Conclusions
- 이 연구는 "합성 데이터셋만으로 충분한가?"라는 질문에 대한 답을 시도함.
- BEDLAM 데이터셋은 실제 장면에 대한 일반화를 위한 충분한 사실성을 가지며, 다양한 실제 이미지 도메인(예: SSP-3D, HBW, 3DPW, RICH)에 적용될 수 있음을 보여줌.
- BEDLAM은 3D 의류 모델링 및 3D 아바타 학습에도 사용될 수 있음.
🎯 Summary
- 저자가 뭘 해내고 싶어 했는가?
- BEDLAM이라는 신규의 대규모 합성 비디오 데이터셋을 개발하고, 이 데이터셋을 사용하여 다양한 HPS 추정 방법들을 훈련하고 평가함.
- 목적은 실제 이미지 데이터셋에서의 일반화 성능을 검증하고, 합성 데이터의 현실성과 다양성이 HPS 추정 정확도에 미치는 영향을 분석하고자 함.
- 이 연구의 접근 방식에서 중요한 요소는 무엇인가?
- 합성 데이터셋 BEDLAM 개발
- 다양한 스킨 톤, 몸매, 동작, 헤어 스타일 그리고 의류를 포함하는 매우 사실적인 합성 인간 모델 제공
- 다양한 아키텍처와 훈련 데이터의 평가
- 참고하고 싶은 다른 레퍼런스에는 어떤 것이 있는가?
- SMPL-X
- CLIFF: Carrying Location Information in Full
Frames into Human Pose and Shape Estimation
- 느낀점은?
- BEDLAM 논문이 합성 데이터셋을 만들기 위한 논문이라는 점이였다는 것에서 놀랐다...
- BEDLAM-CLIFF demo와 BEDLAM-CLIFF-X demo를 먼저 진행하고, 이 논문을 읽었었기에 내가 생각했던 것과 많이 달랐구나 느꼈다.
- 정리하면,
BEDLAM은 합성 데이터셋 자체를 말하고,BEDLAM-CLIFF는 이 데이터셋을 활용한 연구였다. Supplementary Materia와 CLIFF를 읽으러 레츠고...!
📚 References
논문
블로그
Github
데이터사이언티스트가 되기 위해 [a-zA-Z]까지 정리하는 거나입니다 😊