論文貢獻：
1.數據集的製作：通過收集SMPL模型和COCO數據集中出現的人之間的密集對應關係的數據；
2.通過訓練基於CNN的系統，實現了“in thewild”的圖像上像素點到人體3維圖的密集對應；
3.提出了一個新的方法來訓練模型；通過每張圖像的隨機採樣作爲一個子集，來訓練一個教練網絡（teacher network），來作爲圖像中其他像素的監督；
2.數據集的介紹：DensePose-COCO Dataset
2.1 Annotation System（註釋系統）
第一階段，註釋者標註身體的部位區域，包括：頭、軀幹、上臂/下臂、小腿/大腿 、手、腳；（爲了使用簡化的UV參數化，將部件設計爲與平面同構，將肢體和軀幹分爲上下和前後兩個部分），
第二階段，對每個部位進行採樣，通過k-means方法來獲得一組大致等距的點，註釋者將這些點與表明相對應；
2.2Accuracy of human annotators（註釋系統的準確率）
i:準確的人體表明點，
：註釋系統標註的點，
：策略兩個點之間的距離（the geodesic distance）
2.3Evaluation Measures
方法1：Pointwise evaluation（逐點評估），
方法2：Per-instance evaluation（對每個實例單獨評估）
geodesic point similarity (GPS)：
3.模型訓練
3.1Fully-convolutional dense pose regression
第一步：分類任務；對像素點進行分類，論文中將像素點分爲25類（一類爲背景）
第二步：迴歸；訓練24個迴歸模型，計算出像素在身體部位的精確位置
3.2Region-based Dense Pose Regression
3.3Multi-task cascaded architectures
3.4Distillation-based ground-truth interpolation
觀察發生，通過在原始未標註的位置添加關鍵點，模型可以取得更好的效果；（增加各個部位的標註點）
