Github： https://seanchenxy.github.io/HandAvatarWeb

1、结构摘要

1. MANO-HD模型：作为高分辨率网络拓扑来拟合个性化手部形状
2. 将手部几何结构分解为每个骨骼的刚性部分，再重新组合成对的几何编码，得到一个跨部分的一致占用场
3. 纹理建模：在MANO-HD表面设计了可驱动的anchor，记录反照率；定向软占用用于描述光线-表面关系，生成照明场，进一步用于解耦与姿态无关的反照率和与姿态相关的照明

2、重建方法

1. 传统：纹理图、彩色网格。
2. 蒙皮的方法很难为任意查询找到准确的蒙皮权重，而部分感知方法通常存在跨部分不一致问题
3. 思路：（1）显示网格描述手型，MANO-HD（12337个顶点+24608个面）；（2）局部占用场（PairOF）：每两个部分级几何编码通过物理连接重新组装，以产生跨部分一致的场；（3）对于手部纹理，通过由反照率场和照明场组成的自遮挡感知阴影场（SeLF）计算纹理，反照率场通过MANO-HD表面的anchor（位置和反照率编码）模拟手部区域，照明场应对自遮挡。

3、Method

• MANO-HD 是一个通用的高分辨率手部网格模型，可以通过单目 RGB 视频数据拟合个性化手部形状。
• 关注详细的个性化纹理，包括反照率和照明。为了增强表面纹理表示，以显式网格为指导开发了局部表示。遵循局部建模范式，并使用重心采样在 MANO-HD 表面上均匀放置anchor以跟踪局部信息。
• 在关节自遮挡条件下专门对照明进行nerf建模。

1. MANO-HD
   （1）细分网格（提升分辨率）：在边缘的中间点添加定点统一细分MANO网格，增加顶点和面；添加顶点的蒙皮权重由其重要的顶点的平均值给出。为了消除蒙皮过程中的伪影，优化了上采样蒙皮权重以获得更好的动态性能。
   （2）Shape Fitting：摆脱 β，使用MLP推导并细化形状。
2. Local-Pair Occupancy Field
   给定查询点x，PairOF预测占用值α。手表面：{q|αq = 0.5}。
   （1）Part-Space Encoder：线划分手部网格，在网格上均匀采样得到点云，法线，并转换回规范空间通过PointNet提取几何特征。
   （2）Local-Pair Decoder：作者认为划分的局部之间有很强的关系，基于 PointNet 的局部对解码器 Qpair 来融合每个配对编码并预测占用值，最后，通过融合part-level值获得全局占用值。
3. Self-Occlusion-Aware Shading Field
   给定query q，通过SelF(q)预测反照率和照明度
   （1）对于视图方向上的光线投射，我们统一采样N个查询，每个查询具有占用场α、反照率a和光照值u。我们用立体渲染神经场:
   （2）Albedo Field：因为手部表面点是不变的，因此在MANO-HD表面固定anchor。在MANO-HD模板上均匀采样获得N个点的点云P，并用重心坐标表示它们（重心anchor更均匀，以覆盖手部表面）。然后，我们开发了随机初始化的反照率编码A，并将它们附加到锚点上。给定手部姿势，可以根据变形的顶点和固定的重心坐标重新采样锚点，形成变形点云P。对于查询 q，我们在P 中找到 n 个最近点，并使用逆欧几里得距离作为权重插值 A。因此，我们得到反照率编码 Aq，然后将其馈送到 MLP 以预测反照率值 aq，即 aq = Malbedo(Aq)。
   （3）Directed Soft Occupancy：
   对于自遮挡照明估计，我们需要骨骼部分的近远关系。也就是说，当 q 接近多个部分时，查询 q 的光照会受到自遮挡的影响。虽然占用值可以描述q和部分之间的关系，但值几乎是二进制的，因此只能描述内外关系。因此，在sigmoid函数中引入软因子τ，软化占用值:
   
   此外，作者设计了定向软占用来反映光线投射和铰接部分之间的近远关系，而不是对单个查询进行建模。对于可以达到 q 的光线投射 r，有向软占用 αs b,q,r 定义为光线命中 q 之前 r 的最大值。对于离散化，我们在光线投射 r 上统一采样查询 {qi}N qi=1，并将有向软占用计算为 αs b,q,r = max{αs b,qi |qi ≤ q}，其中 qi ≤ q 选择光线在到达 q 之前遍历的查询。例如，下图中最深紫色查询的 αs b3,q,r 等于 αs b3。
   

（4）Illumination Field：当我们考虑了自遮挡的情况后，我们需要估计一个查询点的照明强度。这个强度受到许多因素的影响，包括光源分布、辐照度和反射。在这个问题中，我们关心的是辐照度，它表示能量到达一个特定点的数量。
为了解决这个问题，我们使用了两个关键线索：手部的姿态和查询点的位置。我们通过对这些信息进行编码，得到了关于姿态和位置的表征。
然而，自遮挡是一个复杂的问题。我们引入了一个被称为软因子 τ 的参数，将其加入到 Sigmoid 函数中，以柔化占用值。这个 Sigmoid 函数用于描述一个点是否被遮挡，软因子使得它的取值范围从0到1之间。
为了更好地处理自遮挡，我们引入了一个称为“有向软占用”的概念。它表示在一个射线方向上，能量被部分阻挡的程度。如果一条射线在到达查询点之前接近了多个部位，那么查询点的照明将受到自遮挡的影响。
我们选择了一组射线方向，使得它们能够到达查询点，并能描述所有关节部位的近-远关系。此外，我们还考虑到一个关节部位只会影响其周围的照明情况。
最终，我们使用一个多层感知器（MLP）来预测查询点的照明强度。这个预测过程涵盖了姿态信息、位置信息以及有向软占用作为输入，从而得到了查询点的照明强度估计值。

4、实验

可以看到，该方法重建的效果还是很好地：