对齐良好的参数化人体模型引导的单图像着衣三维人体重建

基于摘要分析。本文研究从单张图像重建着衣三维人体的问题，重点缓解不可见区域信息不足，以及重建质量依赖参数化人体模型准确性的问题。作者采用 STAR 人体模型，结合参数估计、几何与视觉特征融合，以及三维和多视角二维重投影约束，引导着衣人体重建。 方法首先以 STAR 作为统计人体模型，通过结合回归式方法与优化式方法的两阶段流程，迭代估计姿态和形状参数，以恢复与输入图像更好对齐的三维人体。随后，深度神经网络融合参数化人体模型的三维几何信息与输入图像的视觉特征，重建着衣人体表面。训练损失分别在三维模型空间和多视角二维重投影空间中约束重建结果与真实模型对齐；具体网络结构、损失形式与权重尚未验证。 作者报告，在 THuman、BUFF 和 LSP 三个公开数据集上的定量与定性实验中，该方法相较所比较的先进方法获得了更准确、更稳健的重建结果。摘要未提供具体指标、数值、数据划分及基线配置，因此尚不能判断收益幅度，也不能将不同数据集上的结果直接合并比较。实验协议、消融及统计信息尚未验证。 复现需进一步核对 STAR 参数估计流程、几何与视觉特征的融合方式、三维真值与多视角重投影监督的构造，以及训练和评估配置。研究对象是视觉三维人体重建，而非神经信号建模；当前材料不足以提出具体 EEG/BCI 迁移机制或复现实验建议。