HUGS: 人体高斯散射

这个代码仓库是HUGS的参考实现。HUGS使用神经辐射场从单个视频中重建背景场景和可动画的人体。

HUGS: 人体高斯散射,
Muhammed Kocabas, Jen-Hao Rick Chang, James Gabriel, Oncel Tuzel, Anurag Ranjan
IEEE计算机视觉与模式识别会议(CVPR) 2024

入门指南

我们使用Ubuntu 22.04.3和CUDA 11.7兼容的GPU测试了我们的系统。

克隆我们的仓库:

git clone --recursive git@github.com:apple/ml-hugs.git

运行安装脚本创建conda环境并安装所需的包。

source scripts/conda_setup.sh

准备数据集和模型

数据集

下载SMPL中性人体模型
- 在SMPL网站注册。
- 从下载页面下载v1.1.0和SMPL UV obj文件。
- 解压文件并将basicModel_neutral_lbs_10_207_0_v1.0.0.pkl重命名为SMPL_NEUTRAL.pkl。
- 将文件放入./data/smpl/文件夹，结构如下：
```
data/smpl/
├── SMPL_NEUTRAL.pkl
└── smpl_uv.obj
```
下载NeuMan数据集和预训练模型:
- 数据 (下载)
- 预训练模型 (下载)
或者，运行以下脚本来设置数据和预训练模型。
```
source scripts/prepare_data_models.sh
```
下载AMASS数据集用于新姿态渲染:
- AMASS数据集用于渲染新姿态。
- 我们使用了SFU mocap(SMPL+H G)和MPI_mosh (SMPL+H G)子集，请从AMASS下载。
- 将下载的mocap数据放入./data/文件夹。

完成上述步骤后，您应该得到类似这样的文件夹结构：

data/
├── smpl
│   ├── SMPL_FEMALE.pkl
│   ├── SMPL_MALE.pkl
│   ├── SMPL_NEUTRAL.pkl
│   ├── smpl_uv.obj
├── neuman
│   └── dataset
│       ├── bike
│       ├── citron
│       ├── jogging
│       ├── lab
│       ├── parkinglot
│       └── seattle
├── MPI_mosh
│   ├── 00008
│   ├── 00031
│   ├── ...
│   └── 50027
└── SFU
    ├── 0005
    ├── 0007
    ├── ...
    └── 0018

训练

要在NeuMan数据集上训练HUGS，有三种不同的模式可供选择：1. 联合人体和场景 2. 仅人体 3. 仅场景。

联合人体和场景训练

这是原始HUGS设置，联合优化人体高斯和场景高斯。
```
python main.py --cfg_file cfg_files/release/neuman/hugs_human_scene.yaml dataset.seq=lab
```

仅人体训练

此模式仅优化HUGS中引入的Triplane+MLP模型。

python main.py --cfg_file cfg_files/release/neuman/hugs_human.yaml dataset.seq=lab

仅场景训练

此设置与原始3DGS论文相同。这里我们提供了在NeuMan数据集上运行它的脚本
```
python main.py --cfg_file cfg_files/release/neuman/hugs_scene.yaml dataset.seq=lab
```

cfg_files/release目录包含我们用于训练HUGS的最终配置文件。请参考config.py文件以查看不同的配置参数及其含义。

注意：与预训练模型相比，预计会看到略微的差异。这是由于渲染过程中固有的随机性，即使应用了适当的种子，也难以在多次运行中获得确定性的结果。因此，预计获得的结果会与论文中报告的略有不同。

评估和动画

这里我们展示如何使用预训练模型在NeuMan数据集上进行评估。

python scripts/evaluate.py -o <<输出目录路径>>

此命令将打印给定预训练模型的PSNR、SSIM和LPIPS指标。

引用

@inproceedings{
    kocabas2024hugs,
    title={{HUGS}: Human Gaussian Splatting},
    author={Kocabas, Muhammed and Chang, Jen-Hao Rick and Gabriel, James and Tuzel, Oncel and Ranjan, Anurag},
    booktitle = {2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    year = {2024},
    url={https://arxiv.org/abs/2311.17910}
}