PoseShield: Campos Neuronales de Colisión para la Resolución de Autocolisiones Humanas

Resumen

La auto-colisión sigue siendo un desafío persistente en la estimación de poses humanas y la generación de movimientos basada en SMPL. Bajo articulaciones extremas o síntesis de movimiento estocástico, las mallas generadas frecuentemente presentan autopenetraciones, lo que conduce a resultados físicamente implausibles. Proponemos PoseShield, una restricción de colisión neuronal definida directamente en el espacio de poses de SMPL. Formulamos la corrección de colisiones como un problema de optimización restringida y conectamos la restricción aprendida con la ecuación de Eikonal. Imponer la regularización de Eikonal garantiza gradientes no nulos cerca del límite de colisión, mejorando la estabilidad numérica y la robustez del proceso de optimización. A diferencia de métodos anteriores que operan en el espacio de mallas o se basan en penalizaciones heurísticas, nuestro enfoque opera directamente en el espacio de baja dimensionalidad de las poses humanas y tiene fundamentos teóricos. La misma restricción aprendida se extiende a secuencias de movimiento humano, proporcionando un corrector de colisiones a posteriori independiente del generador, sin necesidad de reentrenar el modelo de movimiento subyacente. Los experimentos en un nuevo punto de referencia de poses SMPL construido muestran que nuestro método alcanza una tasa de éxito del 95.8% y supera a las líneas base de última generación.

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.