Статистическое изучение человеческого организма является фундаментальной проблемой во многих областях, таких как биометрический анализ, генераторный дизайн и индивидуализация продуктов. Традиционный способ получения модели человеческого тела заключается в использовании 3D сканера для получения изображений тела, а затем регистрировать их вместе для получения согласованной модели. Однако этот процесс занимает много времени и требует дорогостоящего сканирующего устройства и платформы реконструкции.
Поэтому было проведено множество исследований для изучения вариаций форм тела и их соотнесения с семантическими параметрами. При наличии корреляции, форма человеческого тела может быть сформирована из набора заданных параметров. Цифровое человеческое тело обычно представлено в высокомерном пространстве.
До начала статистического обучения общепринятой практикой является проведение анализа основных компонентов (АОК) данных для преобразования данных в более низкоразмерное пространство таким образом, чтобы сложность была снижена при сохранении достаточной дисперсии. АОК может быть осуществлен собственным разложением ковариационной матрицы данных по собственному значению.
Однако количество человеческих тел в общедоступных базах данных обычно намного меньше, чем количество вершин. Поэтому, при ограниченном количестве образцов, обучение непосредственно на всем теле человека вряд ли сможет отразить истинное разнообразие форм тела.
С другой стороны, будучи новой областью в исследованиях машинного обучения, глубокое изучение становится важным инструментом во многих областях применения. Глубокое изучение является успешным при работе с эвклидовой структурой данных с большим размером выборки, например, речи и изображений. Однако известно, что она страдает от переутомления, когда данные имеют большой размер и небольшой размер выборки.
Другой проблемой является длительное вычислительное время из-за значительного увеличения количества тренировочных параметров по мере увеличения объема данных. Несмотря на эти проблемы, превосходная способность к глубокому обучению делает целесообразным применение в статистическом обучении человеческого организма.
ОАК необходимо проводить не на всей поверхности, а только на каждом участке. Пространственная связь между участками сохраняется через каркас. Кроме того, глубокое обучение имеет гораздо лучшие характеристики в этом гораздо более низкоразмерном пространстве.
Параметрическое проектирование
Для уменьшения сложности человеческой модели и достижения уменьшения размеров, многие исследования сосредоточены на параметрическом проектировании человеческого тела и связанных с ним продуктов. Ванг исследовал основанную на особенностях человеческую модель для цифрового дизайна одежды.
Квок предложил алгоритм оптимизации комплексов и формы общих базовых доменов в кросс-параметризации для снижения искажений биобъективного отображения. Другой аспект исследований сосредоточен на параметрическом проектировании продуктов, связанных с деятельностью человека. Понс-Молл предложил метод бесшовного захвата и перенаправления одежды 4D.
Пэк разработал рамки параметрического моделирования формы человеческого тела для моделирования ориентированной на человека продукции. Хуанг также представил виртуальную испытательную систему, основанную на дополненной реальности, для персонализации дизайна аксессуаров для лица.
Многие исследователи изучили человеческую фигуру и оценили ее. Например, Ангелов предложил метод, основанный на данных, Shape Completion and Animation for People (SCAPE), для построения модели человеческой фигуры, которая охватывает различия как в форме объекта, так и в позе. Шоттон предложил метод прогнозирования позы человека и 3D-позиций суставов тела на основе одного изображения глубины. Однако большая часть этих работ посвящена оценке человеческой позиции, мало работ посвящена моделированию человеческого тела.