SIMSPINE: Un Marco de Simulación Consciente de la Biomecánica para la Anotación y Evaluación Comparativa del Movimiento Espinal 3D

SIMSPINE: A Biomechanics-Aware Simulation Framework for 3D Spine Motion Annotation and Benchmarking

February 24, 2026

Autores: Muhammad Saif Ullah Khan, Didier Stricker

cs.AI

Resumen

La modelización del movimiento espinal es fundamental para comprender la biomecánica humana, pero sigue siendo poco explorada en visión artificial debido a la compleja cinemática multiarticular de la columna vertebral y la falta de anotaciones 3D a gran escala. Presentamos un marco de simulación de puntos clave consciente de la biomecánica que enriquece los conjuntos de datos existentes de posturas humanas con puntos clave espinales 3D anatómicamente consistentes derivados de modelización musculoesquelética. Utilizando este marco, creamos el primer conjunto de datos abierto, denominado SIMSPINE, que proporciona anotaciones espinales 3D escasas a nivel vertebral para movimientos naturales de cuerpo completo en entornos de captura multicámara en interiores sin restricciones externas. Con 2.14 millones de fotogramas, esto permite el aprendizaje basado en datos de la cinemática vertebral a partir de variaciones sutiles de postura y reduce la brecha entre la simulación musculoesquelética y la visión artificial. Adicionalmente, publicamos líneas base preentrenadas que cubren detectores 2D ajustados, modelos de elevación de postura 3D monoculares y pipelines de reconstrucción multivista, estableciendo un benchmark unificado para la estimación biomecánicamente válida del movimiento espinal. Específicamente, nuestras líneas base 2D para columna vertebral mejoran el estado del arte de 0.63 a 0.80 AUC en entornos controlados, y de 0.91 a 0.93 AP para el seguimiento espinal en condiciones naturales. En conjunto, el marco de simulación y el conjunto de datos SIMSPINE impulsan la investigación en biomecánica basada en visión, análisis de movimiento y modelización digital humana al permitir una estimación 3D de la columna vertebral reproducible y anatómicamente fundamentada en condiciones naturales.

English

Modeling spinal motion is fundamental to understanding human biomechanics, yet remains underexplored in computer vision due to the spine's complex multi-joint kinematics and the lack of large-scale 3D annotations. We present a biomechanics-aware keypoint simulation framework that augments existing human pose datasets with anatomically consistent 3D spinal keypoints derived from musculoskeletal modeling. Using this framework, we create the first open dataset, named SIMSPINE, which provides sparse vertebra-level 3D spinal annotations for natural full-body motions in indoor multi-camera capture without external restraints. With 2.14 million frames, this enables data-driven learning of vertebral kinematics from subtle posture variations and bridges the gap between musculoskeletal simulation and computer vision. In addition, we release pretrained baselines covering fine-tuned 2D detectors, monocular 3D pose lifting models, and multi-view reconstruction pipelines, establishing a unified benchmark for biomechanically valid spine motion estimation. Specifically, our 2D spine baselines improve the state-of-the-art from 0.63 to 0.80 AUC in controlled environments, and from 0.91 to 0.93 AP for in-the-wild spine tracking. Together, the simulation framework and SIMSPINE dataset advance research in vision-based biomechanics, motion analysis, and digital human modeling by enabling reproducible, anatomically grounded 3D spine estimation under natural conditions.