ATLAS : Découplage des paramètres squelettiques et de forme pour une modélisation paramétrique humaine expressive

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

August 21, 2025

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

cs.AI

papers.abstract

Les modèles corporels paramétriques offrent une représentation 3D expressive des humains pour une large gamme de poses, formes et expressions faciales, généralement obtenue en apprenant une base sur des maillages 3D enregistrés. Cependant, les approches existantes de modélisation de maillages humains peinent à capturer les variations détaillées pour des poses et formes corporelles diverses, principalement en raison de la diversité limitée des données d'entraînement et des hypothèses de modélisation restrictives. De plus, le paradigme courant consiste d'abord à optimiser la surface externe du corps en utilisant une base linéaire, puis à régresser les articulations internes du squelette à partir des sommets de surface. Cette approche introduit des dépendances problématiques entre le squelette interne et les tissus mous externes, limitant le contrôle direct sur la taille du corps et les longueurs des os. Pour résoudre ces problèmes, nous présentons ATLAS, un modèle corporel haute fidélité appris à partir de 600 000 scans haute résolution capturés à l'aide de 240 caméras synchronisées. Contrairement aux méthodes précédentes, nous découplons explicitement les bases de forme et de squelette en ancrant notre représentation de maillage dans le squelette humain. Ce découplage permet une expressivité de forme accrue, une personnalisation fine des attributs corporels et un ajustement des points clés indépendant des caractéristiques des tissus mous externes. ATLAS surpasse les méthodes existantes en ajustant plus précisément des sujets non vus dans diverses poses, et les évaluations quantitatives montrent que nos correctifs de pose non linéaires capturent plus efficacement les poses complexes par rapport aux modèles linéaires.

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.