PoseShield: Neuronale Kollisionsfelder zur Auflösung menschlicher Selbstkollisionen

Zusammenfassung

Selbstkollision bleibt eine anhaltende Herausforderung in der SMPL-basierten Schätzung menschlicher Posen und der Bewegungsgenerierung. Bei extremen Gelenkstellungen oder stochastischer Bewegungssynthese weisen generierte Netze häufig Selbstdurchdringungen auf, was zu physikalisch unplausiblen Ergebnissen führt. Wir schlagen PoseShield vor, eine neuronale Kollisionsbeschränkung, die direkt im SMPL-Posenraum definiert ist. Wir formulieren die Kollisionskorrektur als ein beschränktes Optimierungsproblem und verbinden die gelernte Beschränkung mit der Eikonal-Gleichung. Die Durchsetzung einer Eikonal-Regularisierung gewährleistet nicht verschwindende Gradienten in der Nähe der Kollisionsgrenze, was die numerische Stabilität und Robustheit des Optimierungsprozesses verbessert. Im Gegensatz zu früheren Methoden, die im Netzraum arbeiten oder auf heuristischen Strafen beruhen, arbeitet unser Ansatz direkt im niedrigdimensionalen Raum menschlicher Posen und ist theoretisch fundiert. Dieselbe gelernte Beschränkung lässt sich auf menschliche Bewegungssequenzen erweitern und bietet einen generatorunabhängigen nachträglichen Kollisionskorrektor, ohne dass das zugrunde liegende Bewegungsmodell neu trainiert werden muss. Experimente auf einem neu erstellten SMPL-Posen-Benchmark zeigen, dass unsere Methode eine Erfolgsrate von 95,8 % erreicht und die modernsten Baselines übertrifft.

English

Self-collision remains a persistent challenge in SMPL-based human pose estimation and motion generation. Under extreme articulations or stochastic motion synthesis, generated meshes frequently exhibit self-penetrations, leading to physically implausible results. We propose PoseShield, a neural collision constraint defined directly in SMPL pose space. We formulate collision correction as a constrained optimization problem and connect the learned constraint with the Eikonal equation. Enforcing Eikonal regularization ensures non-vanishing gradients near the collision boundary, improving numerical stability and robustness of the optimization process. Unlike prior methods that operate in the mesh space or rely on heuristic penalties, our approach operates directly in the low-dimensional space of human poses and is theoretically grounded. The same learned constraint extends to human motion sequences, providing a generator-agnostic post-hoc collision corrector without retraining the underlying motion model. Experiments on a newly constructed SMPL pose benchmark show that our method achieves a 95.8% success rate and outperforms state-of-the-art baselines.