? ? ? ? 本文通过EFT方法生成伪3D数据集，只使用该数据集，从头开始训练3D姿势回归器网络，该网络在诸如3DPW等野外基准测试上的表现超过当前的最先进水平例如HMR。
? ? ? ? ?EFT方法可以看作SPIN的改良，即在测试阶段，通过2d重投影loss?微调HMR的参数，从而间接调整SMPL系数，使得当前测试样本在尽可能保留HMR的输出效果的同时，降低2d?重投影误差。显然SPIN则是通过SMPLify接在HMR后面，通过2d重投影loss和?pose相关的先验直接去拟合SMPL系数，达到降低2d?重投影误差的效果，但是因为这里的pose先验采用的其他数据统计得到的，使得这里如何平衡2d loss和pose正则化loss有困难，这也是该论文的一个出发点，认为训练好的回归网络隐含着当前输入图像的pose先验。另外SMPLify的输入是2d关键点，而本文因为优化的是CNN参数，因此输入的是图像，相比SMPLify，输入信息更加丰富，至于论文提到他的这种隐含先验pose比SMPLify用的固定pose先验好，就需要实验证明了。
?
SMPLify?和?EFT?具体对比
eft的优化参数是模型空间，而SMPLify则直接优化?SMPL参数。SMPLify中使用了大量的先验，如身体交叉约束等。这些约束的权重需要大量的调参，并且泛化效果并不理想。而eft利用预训练模型空间（认为含有隐含先验）和图像信息提供了大量丰富的信息，可以得到更好的SMPL参数。
SMPLify?在拟合3d数据的时候，关于3d这方面主要依赖3D先验，而这个3D先验，通常是在实验室条件下单独学习，缺乏真实感，并且该先验和数据项(如2D关键点错误)之间的平衡很困难。另外SMPLify在优化的时候，迭代修改的是SMPL系数。SMPLify使用的别的数据集得到的先验，且输入条件是2d关键点。
EFT?在拟合3d数据的时候，关于3d这方面也需要依赖3D先验，但是和SMPLify不同，他认为那些训练好的3Dmesh重建网络模型隐含3D先验，例如HMR，SPIN。在优化的时候，迭代修改的是网络权重w，而不是SMPL系数。EFT利用神经网络回归器学到的隐式先验。此外，这个先验条件是特定的RGB输入图像，它包含比2D关键点位置更多的信息。
EFT数据集的好处：
1：不使用真实的3d数据集，例如3dpw，hm36，只使用EFT数据集，效果也可以达到SOTA级别。
2：使用我们的3D伪注释简化了训练3D姿势回归器，并使其更容易合并其他改进，其中我们探讨了两个。首先，我们对数据增强引入极端的图像裁剪来训练回归器，使得网络更好地适用于截断的人体(例如，仅上半身)[52]工作。其次，我们证明了辅助输入，如彩色编码的分割地图[31,32]或DensePose IUV编码[19]，可以进一步提高三维人体姿态估计的准确性，优于之前的最先进的方法[27,58,34,12,43]，仅仅通过在COCO数据上训练。与之前的方法[52,53,67,45]相比，这些技术更容易在伪gt数据集上实现。
?3:?作者认为他的EFT数据足够好，好得都可以作为benchmark了。对当前?Benchmark（例如3dpw，hm36）做补充，因为EFT数据相比他们更加丰富，存在
整个文章的思路：先后分析了目前基于回归的mesh重建方法（HMR）的好坏和拟合方法（SMPLify）的好坏。既然回归有回归的好，依靠学习能力强大的CNN可以针对每一张图得到更好的pose信息即3d信息，拟合有拟合的好，依靠在测试阶段针对单个样本进行拟合，可以更好的2d信息。既然都有优点，就综合一下，显然SPIN做了一个很好的结合，先基于回归的CNN得到pose还不错的SMPL系数结果作为下一步拟合的初始值，可以提升拟合的效果。但是2d loss和先验loss之间的平衡问题依然还在。因此作者提出了EFT。
EFT优点盘点：
与传统的拟合方法(1)相比，（1）EFT能够利用2D关节和RGB图像I进行估计。（2）CNN提供了一个针对当前输入图像的先验，与其他拟合方法使用的输入不可知的先验Lprior相比，该先验更不容易回归平均姿态。与回归方法相比，（1）EFT保持了初始回归位姿的合理性（通过厉害的隐藏先验），但降低了二维重投影误差（拟合的时候，基本只需要控制2d loss，不需要去平衡2dloss?和 对输入不可知的先验Lprior）。即使是由于遮挡或不寻常的姿势而挑战回归量的样本也是如此，这里其实2d loss把控不对，也会出现损害3d信息的危害。?
论文简述：
人体可以被一个低维度参数模型来表示，该模型涵盖了身体形状和运动的变化。参数化人体模型通过少量参数表示人体的形状和姿态，同时捕捉对称性和肢体比例等约束条件。三维参数化人体模型被广泛使用，它是估计人体三维姿态和形状的有力先验。其主要思想是通过低维参数对三维人体(包括脸、手和身体)的变形进行建模 ：SCAPE-》SMPL-〉SMPL-X等。
这里，我们以SMPL模型[3]为例，尽管可以使用任何其他模型。SMPL参数Θ = (θ，?β)由位姿参数θ形状参数β组成，位姿参数θ控制24个体关节相对于父关节的旋转，形状参数β通过10个主变向控制体的形状。首先利用形状参数β求出关节在静止状态下的构型，然后根据骨骼层次结构应用关节旋转Θ得到关节的三维位置J。SMPL还包括一个随骨架变形的网格组件，但我们在这里忽略它，因为主要的损失约束仅是关节的3D位置J。因此，对我们来说，SMPLJ简化为一个函数J = M (Θ)。
那么对于Fitting的方法具体怎么做：3d pose先验约束+好的初始化值，针对单个样本优化。
给定一个人的图像I，目标是找到SMPL的参数Θ，使SMPL输出的J它与目标的姿态相匹配。基于拟合的方法[1,2]采用关节、轮廓、零件标签等二维几何线索，优化模型参数Θ，使三维模型与二维线索拟合。例如，假设给定了人体关节的2D位置r。设π为摄像机投影函数，将三维点映射到其二维图像位置。然后，从二维线索重建三维关节J，达到拟合SMPL模型的目的。
可以发现需要优化的参数为SMPL系数和相机参数π。获得SMPL系数，通过SMPL的LBS相关内部算法的到关节点J，J通过相机参数投影到图像空间得到2d点，通过最小化这个2d点与其对应标注的gt，可以达到间接优化SMPL系数的效果，但是显然只是通过2d监督无法约束到3d坐标的z轴，在没有对应的3d GT情况下，只能使用人们基于实验室内统计得到的关于3d pose的各种先验信息，将这些先验信息作为约束，越多越好。但是这里很明显这些先验趋于一种平均pose，甚至可能仅仅代表实验室里面那些样本，但是有总比没有好。另外拟合方法通常只能在局部进行优化，例如通过梯度下降法，因此成功与否很大程度上取决于初始化的质量[1,2]。这需要特别的步骤来避免糟糕的局部极小值。例如目前有一个一个多阶段的方法，首先调整躯干，然后优化四肢在一起)和平衡数据项和多个先验项之间的权重是至关重要的。
?
那么对于回归的方法具体怎么做：加入图像信息，收集真实的3D数据集，加入一个CNN，通过优化整个训练集获得一个固定的CNN网络。
基于回归的方法直接从原始图像和关键点预测SMPL参数Θ。映射是通过神经网络Θ = Φw(I)实现的，该神经网络训练于室内3D数据集和野外数据集2D数据集的结合，这是通过优化来实现的
基于回归的方法，因为有真实的3D数据集，所以有更加多样的标签，例如SMPL系数，3D点，2D点，pose的各种先验信息或者约束。
?
这样通过大量的数据集训练，CNN获得了可能的人体姿势的隐式先验，为三维重建进行了优化。如果将这个当做先验，比SMPLify等使用的那种先验Lprior更强。Lprior是在不同3D数据上分别学习统计得到的，倾向于回归到均值解。但是不可否认的是，拟合和回归方法的目标都设计到最小化2d，拟合方法对每个样本都明确地这样做，获得更准确的2D拟合，而回归方法只在训练时最小化这种损失，这样拟合的方法得到结果贴合度会更好些。
为了结合两者的优点，我们的方法Exemplar Fine-Tuning (EFT)将网络Φ解释为3D关节J的重新参数化J = M(Θ) = M(Φw(I))，作为网络参数w(而不是SMPL参数Θ)的函数。这样，我们可以将Eq.(1)改写为
?
即将SMPLify中本来是对smpl系数的优化改成CNN参数的优化，同时删除了之前SMPLify中的Lprior，因为认为pose先验已经被网络隐式捕获(这刚好也解决了前面讨论的Lprior和L2D平衡的难题)。另外一个重点是因为认为预训练好的3Dmesh重建网络已经隐含pose的先验信息，因此在微调CNN的参数的时候，通过第二个数据项控制在预训练参数w?的附近进行优化，即表示被这个约束控制。
问题1:那么如何确保微调时，在w?的附近变化呢？
当γ值较大的时候，EFT回归到预训练回归网络对观测输入位姿的最佳猜测。因此，在EFT中γ的调节更加容易，并且证明了EFT对γ不敏感。在我们的实验中，我们通过设置γ = 0来使用EFT来生成伪注释，因为这个约束可以隐含完成，即使用和之前训练CNN一样的局部优化器，而不是使用早期停止来进行正则化，在实践中，我们使用少于100次的EFT迭代。
问题2:使用这个CNN隐含的pose先验有啥好处？
??（1）传统的拟合方法将回到预测先验隐含的平均姿态，忽略了当前图像信息，只是输入2d关键点。（2）传统的拟合方法容易回到预测先验隐含的平均姿态。
?可以发现（2）和 （3）的公式类似，但是（2）是通过训练大量参数去学习模型参数w，（3）是针对某一个样本微调模型参数w，针对下个样本，模型参数w回回到之前的初始值。
4?结果：
我们考虑了EFT的两个应用:为原本只有2D注释的野外数据集创建伪地面真实3D注释，并对现有3D姿态回归器的输出进行后处理以改进它。
实现细节：对于姿态回归器Φ，我们使用了最先进的[8]SPIN网络，为了鲁棒性，我们将SPIN中使用的透视投影模型改为HMR的弱透视投影，这步不会显著影响模型效果。对于EFT，我们使用Adam[53]和默认的PyTorch参数优化Eq.(3)，当平均2D关键点重投影误差小于3像素时(通常少于50次迭代就足够了)，学习率为5*10- 6，这个学习率足以涵盖好的和坏的初始化， 尽管输入的2D关键点是手工标注的，但它们仍然包含不可忽略的错误。特别是，臀部和脚踝的高度没有得到一致的标注，导致透视缩短，为了补偿，在优化eq.(3)时忽略了髋关节的位置，我们添加了一个损失项来匹配小腿的方向，鼓励重建连接膝盖和脚踝的向量的方向。最后，我们通过检查SMPL形状参数和2D关键点损失的最大值来丢弃样品，如果这些参数分别大于5和0.01，则丢弃。
数据集：我们使用带有2D姿态标注的野外数据集:COCO[18]、MPII[39]和LSP[40,41]。我们认为默认的分割也是[15]用于训练的COCO-Part子集，它只包含完整的12个关键点注释集的实例(闭塞的实例经常会错过关键点)。为此，我们添加了COCO-All，其中包含至少5个关键点注释的所有示例。我们还使用带有3D姿态标注的数据集，包括H36M[19,54]、MPI-INF-3DHP[20]和Panoptic Studio[21]。由于通常需要多视图设置来捕捉这种地面真相，这些数据集是在实验室条件下收集的。我们使用H36M和MPI-INF-3DHP的moshed版本[7,8]，并使用提供的3D关键点为Panoptic Studio DB生产SMPL配件(详情请参阅附录)。3DPW数据集[51]是在室外采集的，并带有使用IMU传感器和摄像机获得的3D地面真相。
一波实验证明：
1 ? ?EFT??VS??SMPLify?谁好？
让Amazon Mechanical Turk (AMT)投票，一共随机挑选500张样本，每一个样本让3个人投票，统计方法1:按照票数比较，一共1500票，EFT获得59.6%；如果每一个样本有至少2票算赢，500个样本中，EFT获得61.8%。
2 ? ?EFT和?SMPLify?做后处理，谁更好？
在表5中，我们对3DPW数据集进行了定量评价。对于初始化，我们使用不同的回归器Φ在许多不同的数据集上预先训练，提供不同的初始化状态。然后，我们使用EFT和SMPLify后处理来拟合同一套由OpenPose检测器自动获得的2D关键点注释。关键的观察结果是，SMPLify后处理的性能取决于初始化质量、多阶段技巧的使用以及数据和先前项之间的平衡。具体来说，如果初始化已经很好，如表5的最后一行，则SMPLify会降低性能，特别是在使用先前的姿势时。这说明了平衡数据和以前的术语的困难，这在实践中可能很难做到。相比之下，EFT不存在这样的问题，无论初始化质量如何，都能提高准确性。当形状正则化器被完全移除时，这也是正确的。
?
- 通过EFT数据集来提升当前的pose回归模型：
2.1:?对截断性，增加鲁棒性，为了训练模型对截断更具鲁棒性，我们建议使用极端裁剪来增强训练数据。而同样的挑战最近正在被【52】解决。我们的方法更直接，因为我们已经有完整的3D注释，我们只需要随机裁剪训练图像。在实践中，我们生成随机作物的方式与第4节中描述的Truncated 3DPW数据集相同。在训练过程中，我们以30%的几率触发作物增加，在图2 (d)所示的预计算的包围盒中随机选择一个截断的包围盒。随机截断，随机bbox，左右随机缩放，上下随机缩放？
?
2．2?为当前的pose回归模型增加额外的输入：最近的方法表明，其他类型的输入编码，如密集姿态或身体部分分割，可以改善三维姿态回归量。我们的方法允许直接将这些额外的输入与原先图像拼接在一起输入。
为了接受6个信道输入(RGB与一个彩色编码的辅助输入连接)，我们通过复制初始权值来修改HMR的第一层(即ResNet50的第一层)。
3 ? ?Pose先验靠预训练网络，拟合阶段只上2dloss，不担心过拟合，破坏了之前的pose？
在我们的EFT优化中，我们没有使用任何显式的姿态先验项(在eq.(3)中，γ = 0)，通过对单个样本过拟合，EFT可能会打破回归器中最初捕获的隐式姿态先验项，潜在地导致结果漂移。
通过对单个样本进行过拟合，EFT可能会破坏回归器的泛化能力，从而破坏它捕获的先验。为了检验这种情况是否可能发生，我们使用相应对单个样本进行了超拟合。20和100次EFT迭代，然后在整个3DPW测试集上评估过拟合回归器的准确性，记录结果的准确性。我们对不同的样品重复这个实验500次，并报告结果如图3所示。同时还比较了SPIN[8]和HMR[7]的性能。值得注意的是，过拟合回归量总体上仍然表现良好，表明尽管EFT，网络仍然保持了良好的性质。特别是，性能至少与HMR基线[7]一样好，偶尔在过拟合单一样本后整体性能有所提高。通过检验，不同样本的影响是不同的，我们发现更有可能干扰回归器的样本包含显著的遮挡或注释错误。注意，在对单个例子应用EFT后，微调网络被丢弃，这一分析只是为了说明微调的效果，但对EFT的有效性没有直接的影响。
?
4 ? ?臀部和脚踝的关键点为啥独立处理？标注短了……
臀部和脚踝的关键点由于宽松的衣服和闭塞，比其他关键点更难被注释者正确定位。这也可以通过检查COCO数据集中注释的2D关键点的标准偏差(称为OKS sigma值)7来观察，其中臀部(1.07)和脚踝(0.89)的值高于肩膀(0.79)和手腕(0.62)。我们在图4中展示了来自COCO数据集的例子，在注释中小腿长度比它应该的短。我们根据经验发现，这种嘈杂的2D定位会在3D中产生伪影，这促使我们在下肢部分使用2D定位，而不是GT定位。
?