ATLAS: Entkopplung von Skelett- und Formparametern für ausdrucksstarke parametrische Menschmodellierung

papers.abstract

Parametrische Körpermodelle bieten eine ausdrucksstarke 3D-Darstellung von Menschen über eine breite Palette von Posen, Formen und Gesichtsausdrücken, die typischerweise durch das Lernen einer Basis über registrierte 3D-Meshes abgeleitet werden. Allerdings haben bestehende Ansätze zur Modellierung menschlicher Meshes Schwierigkeiten, detaillierte Variationen über diverse Körperposen und -formen zu erfassen, was größtenteils auf die begrenzte Vielfalt der Trainingsdaten und restriktive Modellierungsannahmen zurückzuführen ist. Darüber hinaus optimiert das gängige Paradigma zunächst die äußere Körperoberfläche mithilfe einer linearen Basis und regrediert anschließend interne Skelettgelenke von den Oberflächenvertices. Dieser Ansatz führt zu problematischen Abhängigkeiten zwischen dem internen Skelett und dem äußeren Weichgewebe, was die direkte Kontrolle über Körpergröße und Knochenlängen einschränkt. Um diese Probleme zu lösen, präsentieren wir ATLAS, ein hochauflösendes Körpermodell, das aus 600.000 hochauflösenden Scans, die mit 240 synchronisierten Kameras aufgenommen wurden, gelernt wurde. Im Gegensatz zu früheren Methoden entkoppeln wir explizit die Form- und Skelettbasen, indem wir unsere Mesh-Darstellung im menschlichen Skelett verankern. Diese Entkopplung ermöglicht eine verbesserte Formausdruckskraft, eine fein abgestimmte Anpassung von Körperattributen und die Anpassung von Keypoints unabhängig von den Eigenschaften des äußeren Weichgewebes. ATLAS übertrifft bestehende Methoden, indem es unbekannte Subjekte in verschiedenen Posen genauer anpasst, und quantitative Auswertungen zeigen, dass unsere nicht-linearen Pose-Korrekturen komplexe Posen im Vergleich zu linearen Modellen effektiver erfassen.

English

Parametric body models offer expressive 3D representation of humans across a wide range of poses, shapes, and facial expressions, typically derived by learning a basis over registered 3D meshes. However, existing human mesh modeling approaches struggle to capture detailed variations across diverse body poses and shapes, largely due to limited training data diversity and restrictive modeling assumptions. Moreover, the common paradigm first optimizes the external body surface using a linear basis, then regresses internal skeletal joints from surface vertices. This approach introduces problematic dependencies between internal skeleton and outer soft tissue, limiting direct control over body height and bone lengths. To address these issues, we present ATLAS, a high-fidelity body model learned from 600k high-resolution scans captured using 240 synchronized cameras. Unlike previous methods, we explicitly decouple the shape and skeleton bases by grounding our mesh representation in the human skeleton. This decoupling enables enhanced shape expressivity, fine-grained customization of body attributes, and keypoint fitting independent of external soft-tissue characteristics. ATLAS outperforms existing methods by fitting unseen subjects in diverse poses more accurately, and quantitative evaluations show that our non-linear pose correctives more effectively capture complex poses compared to linear models.

ATLAS: Entkopplung von Skelett- und Formparametern für ausdrucksstarke parametrische Menschmodellierung

ATLAS: Decoupling Skeletal and Shape Parameters for Expressive Parametric Human Modeling

papers.abstract

Support