本文主要介紹商湯智能感知終端團隊，發(fā)表在 ECCV 2022 上的工作。針對3D交互雙手姿態(tài)估計問題，作者采用分而治之的策略，把交互的雙手姿態(tài)估計問題，解耦成兩個單手姿態(tài)估計問題。

作者提出了一種基于去遮擋和移除的3D交互手姿態(tài)估計框架，補全目標手被遮擋的部分，并移除另一只有干擾的手。此外，作者還構建了一個大規(guī)模數(shù)據(jù)集Amodal InterHand Dataset (AIH)，用以訓練手勢去遮擋和移除網(wǎng)絡。實驗結果表明，論文提出的框架在InterHand2.6M 和 Tzionas 兩個主流的公開數(shù)據(jù)集上，都獲得了顯著的性能提升。

? ? ?

Part 1動機和背景

圖1 本文算法（右）與baseline（左）的對比

手，是人和世界交互的主要工具。3D交互手姿態(tài)估計，指從單目彩色圖中，恢復出一個人兩只互相交互的手的骨架。它是人機交互、AR/VR、手語理解等諸多現(xiàn)實應用的基礎。 與被充分研究的單手姿態(tài)估計任務不同，交互手3D姿態(tài)估計是近兩年來剛興起的學術方向。

現(xiàn)存的工作會直接同時預測交互手的左右兩手的姿態(tài)，而我們則另辟蹊徑，將交互手姿態(tài)估計任務，解耦成左右兩手分別的單手姿態(tài)估計任務。這樣，我們就可以充分利用當下單手姿態(tài)估計技術的最新進展。 然而相比通常的單手姿態(tài)估計任務來說，交互手姿態(tài)估計有以下兩個難點：一是左右手間可能存在的嚴重的遮擋，難以估計被遮擋的手的姿態(tài)；二是左右手顏色紋理相近有歧義性，預測一只手的姿態(tài)可能會因另一只手的存在而被干擾。

為了解決這兩個困難，我們提出了去遮擋和移除框架，旨在預測一只手的姿態(tài)時，補全它被遮擋的部分，并移除有干擾的另一只手的部分。由圖1的示例可見，在用去遮擋和移除框架后，交互手的圖片會恢復右手被遮擋的部分，也會移除有干擾的左手的部分，進而轉換成右手的單手姿態(tài)估計任務。

此外，我們還構建了第一個大規(guī)模的合成交互手數(shù)據(jù)集（Amodal InterHand Dataset）。該數(shù)據(jù)集具有很多應用前景，如交互式雙手姿態(tài)估計、Amodal & modal的實例分割、以及手部去遮擋。

Part 2方法

圖2 本文提出的框架示意圖

本文的框架包括三個部分：手部非模態(tài)分割模塊（HASM）、手部去遮擋和移除模塊（HDRM）、單手姿態(tài)估計模塊（SHPE）。

我們首先用HASM去分割圖像中左右手的模態(tài)和非模態(tài)掩碼，在得到掩碼后，我們可以分別定位左右兩手的位置并對圖片進行裁剪。

之后，我們利用HDRM恢復手被遮擋的部分并移除另一只有干擾的手。

這樣，一個交互手的圖片會被轉換成左右兩手的單個手的圖片，通過SHPE后可以得到左右手分別的姿態(tài)。

2.1 手部非模態(tài)分割模塊（HASM）

我們基于mmsegmentation框架，從交互手的圖片中分割出四種掩碼：左手可見區(qū)域、左手完整區(qū)域、右手可見區(qū)域和右手完整區(qū)域。

2.2 手部去遮擋和移除模塊（HDRM）



圖3 HDRNet示意圖 以右手為例，首先根據(jù)2.1預測的掩碼，以右手完整部分掩碼為中心，裁剪得到圖片。

而HDRNet的輸入則有以下四部分拼接而成：（1）圖片右手被遮擋區(qū)域被涂黑；（2）右手可見部分掩碼；（3）I圖片左手多余區(qū)域被涂黑；（4）除左右兩手外的背景區(qū)域的掩碼。

我們借鑒經(jīng)典的inpainting方法中的網(wǎng)絡結構(UNet + Partial Convolutions)，并在其中加入了一些Transformer結構，來增強圖像特征、擴大感受野，以及讓網(wǎng)絡關注更重要的圖像區(qū)域。

網(wǎng)絡HDRNet最終預測出右手被遮擋區(qū)域的像素，以及左手多余區(qū)域背后背景的像素，這樣最終預測結果即為單個右手的圖片。

2.3 單手姿態(tài)估計模塊（SHPE）

由于SHPE不是本文的重點，因此我們使用了一個簡單有效的開源方法MinimalHand作為我們的baseline。

Part3AIH虛擬交互手數(shù)據(jù)集

圖4 AIH數(shù)據(jù)集中的樣例 為了充分訓練我們提出的HDRM網(wǎng)絡，我們基于InterHand2.6M V1.0數(shù)據(jù)集，構建了第一個大規(guī)模的虛擬合成的Amodal交互手數(shù)據(jù)集（AIH）。

AIH有大約300萬樣本組成，其中AIH_Syn 有220萬樣本，AIH_Render有70萬樣本。前者是將InterHand2.6M V1.0數(shù)據(jù)集的單個右手或單個左手的圖片，進行復制粘貼，合成的交互手圖片。

后者是將InterHand2.6M V1.0數(shù)據(jù)集的雙手mesh裝飾上紋理，經(jīng)過隨機的旋轉和平移，最終渲染到隨機的數(shù)據(jù)集背景上得到的圖片。圖4展示了AIH數(shù)據(jù)集的可視化效果。

Part 4實驗結果

我們在 InterHand2.6M V1.0 和 Tzionas 兩個主流的數(shù)據(jù)集上做了實驗。如表1和表2所示，定量實驗表明，我們提出的算法，取得了最優(yōu)的精度。

而且在耗時方面，在Tesla P40機器上單個樣本預測，HDRM（我們的主要貢獻點）只需要0.6ms，占整個框架預測時間47.2ms中很小一部分。更多可視化效果見圖5。

表1InterHand2.6M V1.0 數(shù)據(jù)集的定量結果對比



表2Tzionas 數(shù)據(jù)集的定量結果對比



圖5 更多可視化結果

審核編輯：劉清