ATLAS: Desacoplamiento de Parámetros Esqueléticos y de Forma para el Modelado Paramétrico Humano Expresivo

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

August 21, 2025

Autores: Jinhyung Park, Javier Romero, Shunsuke Saito, Fabian Prada, Takaaki Shiratori, Yichen Xu, Federica Bogo, Shoou-I Yu, Kris Kitani, Rawal Khirodkar

cs.AI

Resumen

Los modelos corporales paramétricos ofrecen una representación 3D expresiva de humanos en una amplia gama de poses, formas y expresiones faciales, típicamente derivada del aprendizaje de una base sobre mallas 3D registradas. Sin embargo, los enfoques existentes de modelado de mallas humanas tienen dificultades para capturar variaciones detalladas en diversas poses y formas corporales, principalmente debido a la diversidad limitada de datos de entrenamiento y a supuestos de modelado restrictivos. Además, el paradigma común primero optimiza la superficie externa del cuerpo utilizando una base lineal, y luego regresa las articulaciones esqueléticas internas a partir de los vértices de la superficie. Este enfoque introduce dependencias problemáticas entre el esqueleto interno y el tejido blando externo, limitando el control directo sobre la altura del cuerpo y las longitudes de los huesos. Para abordar estos problemas, presentamos ATLAS, un modelo corporal de alta fidelidad aprendido a partir de 600k escaneos de alta resolución capturados utilizando 240 cámaras sincronizadas. A diferencia de métodos anteriores, desacoplamos explícitamente las bases de forma y esqueleto al fundamentar nuestra representación de malla en el esqueleto humano. Este desacoplamiento permite una mayor expresividad de la forma, una personalización detallada de los atributos corporales y un ajuste de puntos clave independiente de las características del tejido blando externo. ATLAS supera a los métodos existentes al ajustar sujetos no vistos en diversas poses con mayor precisión, y las evaluaciones cuantitativas muestran que nuestras correcciones de pose no lineales capturan poses complejas de manera más efectiva en comparación con los modelos lineales.

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.