SIMSPINE : Un Cadre de Simulation Biomécanique pour l'Annotation et l'Évaluation Comparative du Mouvement 3D de la Colonne Vertébrale
SIMSPINE: A Biomechanics-Aware Simulation Framework for 3D Spine Motion Annotation and Benchmarking
February 24, 2026
Auteurs: Muhammad Saif Ullah Khan, Didier Stricker
cs.AI
Résumé
La modélisation du mouvement rachidien est fondamentale pour comprendre la biomécanique humaine, mais reste sous-explorée en vision par ordinateur en raison de la cinématique multi-articulaire complexe de la colonne vertébrale et du manque d'annotations 3D à grande échelle. Nous présentons un cadre de simulation de points-clés conscient de la biomécanique qui enrichit les ensembles de données de pose humaine existants avec des points-clés rachidiens 3D anatomiquement cohérents, dérivés de la modélisation musculosquelettique. En utilisant ce cadre, nous créons le premier ensemble de données ouvert, nommé SIMSPINE, qui fournit des annotations rachidiennes 3D éparses au niveau vertébral pour des mouvements corporels complets naturels, capturés en intérieur par multicaméra sans contraintes externes. Avec 2,14 millions d'images, cela permet l'apprentissage basé sur les données de la cinématique vertébrale à partir de variations posturales subtiles et comble le fossé entre la simulation musculosquelettique et la vision par ordinateur. De plus, nous publions des modèles de référence pré-entraînés couvrant des détecteurs 2D affinés, des modèles de relèvement de pose 3D monoculaires et des pipelines de reconstruction multi-vues, établissant ainsi un benchmark unifié pour l'estimation biomécaniquement valide du mouvement rachidien. Concrètement, nos modèles de référence 2D pour la colonne améliorent l'état de l'art de 0,63 à 0,80 AUC en environnements contrôlés, et de 0,91 à 0,93 AP pour le suivi rachidien en conditions réelles. Ensemble, le cadre de simulation et l'ensemble de données SIMSPINE font progresser la recherche en biomécanique basée sur la vision, l'analyse du mouvement et la modélisation humaine numérique en permettant une estimation rachidienne 3D reproductible et anatomiquement fondée dans des conditions naturelles.
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.