其中包含了80个人物以不同穿着进行70种行为活动的250万个高精度图像。

数据集通过将脸谱、骨架、深度、普通图像和光线变化进行分割注释，使其适用于无数的任务。

为生成图像，研究人员提出了一种新的球形区域保持参数化算法，该算法是对现有球形图的改进，球星图倾向于收缩细长的身体部位，造成几何图像不完整的问题。

最后，生成网络被用于以端到端的方式生成有穿着的人的几何图像。该方法为原始图像和合成图像中的身体姿势和衣物形状的捕获提供了良好的解决方案。

潜在应用及影响

这项研究成果对优化深度学习构建穿戴衣物的人体模型重建有很大的潜在推进作用。 此外，它还提供了进一步可以扩展到视频、几何图像正则化方案、分割和3D重建集成的研究，因为这些领域都可以从3DPeople数据集中获益。

数据文件

出于版权原因，我们不能共享模型的 3D 网络模型或原始文件；使用的动画来自 CMU MoCap 数据库。

数据引文

@inproceedings{pumarola20193dpeople,
  title={{3DPeople: Modeling the Geometry of Dressed Humans}},
  author={Pumarola, Albert and Sanchez, Jordi and Choi, Gary and Sanfeliu, Alberto and Moreno-Noguer, Francesc},
  booktitle={International Conference in Computer Vision (ICCV)},
  year={2019}
}