Github项目推荐 | Manopth - PyTorch的MANO层，生成手部网格作为可微分层

PyTorch的MANO层（使用v0.4和v1.x进行测试）

ManoLayer是一个可微分的PyTorch层，可以确定地从姿势和形状参数映射到手部关节和顶点。 它可以作为可微分层集成到任何架构中以预测手部网格。

项目地址：（点击本链接可直接访问）

https://github.com/hassony2/manopth

（致谢：感谢读者@朱小鹏 提供的工具 GitHub Trending Hub，现在可以直接在微信打开Github链接啦）

ManoLayer采用批量手部姿势和形状矢量并输出相应的手部关节和顶点。

代码主要是原始 MANO 模型从chumpy到 PyTorch的PyTorch端口。因此，它直接建立在Javier Romero，Dimitrios Tzionas和Michael J. Black的工作之上。

ManoLayer被开发并用于CVPR19的论文《学习手部和被操纵物体的关节重建》。可查看即将推出的代码。

如果你觉得本项目对你的研究有用，可以考虑引用：

• 原版 MANO 文献：

@article{MANO:SIGGRAPHASIA:2017,  title = {Embodied Hands: Modeling and Capturing Hands and Bodies Together},  author = {Romero, Javier and Tzionas, Dimitrios and Black, Michael J.},  journal = {ACM Transactions on Graphics, (Proc. SIGGRAPH Asia)},  publisher = {ACM},  month = nov,  year = {2017},  url = {http://doi.acm.org/10.1145/3130800.3130883},  month_numeric = {11}}

出版这个PyTorch端口是为了：

@INPROCEEDINGS{hasson19_obman,  title     = {Learning joint reconstruction of hands and manipulated objects},  author    = {Hasson, Yana and Varol, G{\"u}l and Tzionas, Dimitris and Kalevatykh, Igor and Black, Michael J. and Laptev, Ivan and Schmid, Cordelia},  booktitle = {CVPR},  year      = {2019}}

安装

获取代码和依赖项

• git clone https://github.com/hassony2/manopth

• cd manopth

• 安装  environment.yml 里列出的依赖库 

• 在现有的conda环境中，请输入：conda env update -f environment.yml

• 在一个全新的环境中，请输入：conda env create -f environment.yml ，将会创建一个 manopth 的conda环境

下载MANO pickle数据结构

• 前往MANO的网站

• 点击“Sign Up（注册）”创建帐户并提供你的相关信息

• 下载模型和代码（下载的文件应该是 mano_v*_*.zip 格式）。 请注意，此下载中的所有代码和数据均归MANO许可。

• 将models 文件夹解压并复制到 manopth/mano 文件夹中

• 你的文件结构应该是这样的：

manopth/  mano/    models/      MANO_LEFT.pkl      MANO_RIGHT.pkl      ...  manopth/    __init__.py    ...

查看是否都就绪完毕，可以运行：python manopth/manopth_mindemo.py ，运行后会调用MANO层随机生成一个手部数据。

作为本地包安装

作为本地包安装以后，你能够在另一个项目中导入和使用ManoLayer

python setup.py install

cd /path/to/other/project

现在，你可以在另一个项目中使用：from manopth import ManoLayer 啦

使用

最少的使用脚本

查看 manopth_mindemo.py

通过MANO层简单地向前传递手部的随机姿势和形状参数

结果如下：

Demo

Demo具有更多选项，前向和后向传递，以及用于快速分析的循环，输入以下指令查看：

python manopth_demo.py

点击阅读原文，查看划线部分链接内容