北京网站网页设计搞定设计在线制作
本周主要是在找双目视觉三维人体姿态估计方向的文章，这篇dual-diffusion，双目三维人体姿态估计的双扩散文章，引起了兴趣，作者从由于摄像机数量的减少，增加了3d重建的不确定性入手，然后使用了扩散模型，从不确定的噪声数据（各个视觉的二维姿态）恢复3d姿态。之所以叫做双扩散，作者将2D和3D的不确定性视为两个相互关联的噪声源，并通过以下步骤同时降低它们的不确定性：首先，模型对输入的2D姿态进行去噪处理。由于2D姿态的误差是3D误差的主要来源之一，通过减少2D姿态的噪声，可以间接降低3D姿态的不确定性。然后在对生成的3d姿态进行去噪，并且该模型能够通过联合优化2D和3D的去噪过程，使得两者相互促进。2D姿态的准确性提升有助于3D姿态的恢复，而3D姿态的优化也可以反过来指导2D姿态的修正。
视角减少后，不确定性也增加了。 后续在文章结尾的时候，还有副页进行讲解：
这张图讲的是双目视觉系统在三维重建中可能存在的误差范围，简单来说就是用两个“眼睛”（相机）看东西的时候，怎么通过它们看到的东西来还原出物体在真实空间中的位置，但这个过程并不是完全精确的，会有一些误差。
图里有两个“眼睛”的位置，分别叫 O1 和 Or，它们就是两个相机的视角。从这两个点出发，光线会射向空间中的一些物体点，比如 A、B、C、F、G 这些点。这些光线会在不同的高度 Z 和 Z' 相交，表示物体在空间中的位置。但问题是，由于相机的视角、分辨率或者匹配误差，这些光线可能不会准确地交在同一个点上，而是会有一个范围，这就是所谓的“不确定性范围”。
图中还标注了一些关键的距离和误差，比如 Δz 和 Δz' 表示在深度方向上的误差，Δx 表示在水平方向上的误差，Δu 表示在图像平面上的像素误差，f 则是相机的焦距。这些标注告诉我们，双目视觉系统的精度受到很多因素的影响，比如相机的焦距、两个相机之间的距离（基线长度），以及图像匹配的精度。
同时，作者还引入了嵌入这个概念，在双目视觉中，深度信息是一个很关键的因素，能够直接影响到3d姿态的准确性。因此作者将3d姿态中每个关节点的深度信息进行编码，作为额外的条件输入到扩散模型中。
建模部分（Modeling）：建模部分包括前向扩散过程和反向去噪过程，用于学习从噪声数据中恢复真实姿态的能力。
前向扩散过程（Forward Diffusion）：通过输入真实的双目2D姿态 u0，逐步添加噪声，经过 T 步将 u0 转化为噪声分布 uT。这一步的目的是使噪声数据与初始估计的2D姿态分布对齐。
反向去噪过程：对噪声3D姿态 yt进行逐步去噪，将噪声 yt 恢复为合理的3D姿态 y0，其中使用了使用几何映射（Geometric Mapping）这样技术，连接2D和3D域，确保2D和3D姿态的一致性。
在推理部分，就是实际用这个模型来处理新的数据了。首先，从输入的2D姿态里通过三角测量得到一个初始的3D姿态，但这个姿态可能不太准，所以需要用之前学到的去噪方法一步步优化它。优化过程中，还会把3D姿态重新投影回2D，看看是不是变得更合理了。这个过程会反复进行几次，直到结果稳定下来。为了提升效果，还引入了两个小技巧：一个是BaseL-norm，用来处理不同相机之间的距离问题；另一个是Z-embedding，用来更好地理解深度信息。
然后剩下的时间，主要去研究了下扩散模型。
Diffusion Model（扩散模型）是一种基于概率生成模型的方法，通过逐步添加噪声（前向扩散过程）和逐步去噪（反向去噪过程）来生成目标数据。其核心思想是将真实数据分布通过逐步加噪转化为高斯噪声分布，再通过神经网络学习如何从噪声中恢复出真实数据。
前向扩散
在前向扩散过程中，真实数据 x0 通过逐步添加高斯噪声，经过 T 步后转化为完全噪声 xT。每一步的噪声添加过程可以表示为：
βt 是噪声调度参数，控制每一步的噪声强度。通过递归公式，可以直接从 x0 生成 xt。
at=1-βt。
=
反向去噪
反向去噪过程的目标是从噪声 xT 逐步恢复出真实数据 x0。每一步的去噪过程可以表示为：
而Σθ模型预测的方差，μθ预测的均值。训练的目标就是最小化预测噪声和真实噪声之间的误差。
这类生成模型，就是实现从无到有的这一个过程，对于扩散模型而言，就是从一堆噪声信息中去生成（还原）出真实（想要的）数据。这给后面其他领域一个思路，是否在其他神经网络、模型中，把中间部分、隐空间里的数据，或者还未优化的数据当作一种噪声，能否使用扩散模型进行优化和去噪，能够使其网络得到的结果更加精准。
在数据集方面，我没能够下载这篇文章（dual-diffusion）对应的数据集，一个官网对大陆ip禁止（Berkeley MHAD），一个提交了申请没回复（human3.6m原始数据），其他渠道下载的数据集 要么结构不符合文章要求的，要么就是标注文件和样本对不上。因此，我最后选择使用MPI-INF-3DHP作为多视觉的数据集，同时准备使用这一类 基于 2d姿态的3dhpe数据集（例如human3.6m的2d姿态数据集（姿态序列）），基于这些序列的基础上进行恢复3d姿态，主要是这些数据集开源，同时数据量较小，方便复现，也便于后期跑实验。后面主要的方向定为多视角，基于序列的3dhpe，希望使用扩散模型，去优化在2d-3d过程中的产生误差。