GRAB

训练计算机理解，建模和合成人类抓握需要一个丰富的数据集，其中包含复杂的3D对象形状，详细的联系信息，手的姿势和形状以及随时间变化的3D身体运动。虽然 “抓握” 通常被认为是单手稳定地举起物体，但我们捕捉整个身体的运动，并采用 “全身抓握” 的广义概念。因此，我们收集了一个新的数据集，称为抓握 (用身体抓握动作)，全身抓握，包含10个受试者与51个不同形状和大小的日常物体相互作用的完整3D形状和姿势序列。给定MoCap标记，我们适合完整的3D身体形状和姿势，包括关节的面部和手，以及3D对象姿势。随着时间的推移，这给出了详细的3D网格，我们从中计算身体和物体之间的接触。这是一个独特的数据集，它远远超出了现有的数据集，用于建模和理解人类如何抓住和操纵对象，他们的全身如何参与，以及交互如何随着任务而变化。我们通过示例应用程序说明了抓取的实用价值; 我们训练有条件生成网络GrabNet，以预测看不见的3D对象形状的3D手抓取。