PoseShield : Champs de collision neuronaux pour la résolution d'auto-collision humaine

Résumé

L'auto-collision reste un défi persistant dans l'estimation de pose humaine et la génération de mouvement basées sur SMPL. Sous des articulations extrêmes ou une synthèse de mouvement stochastique, les maillages générés présentent fréquemment des auto-pénétrations, conduisant à des résultats physiquement irréalistes. Nous proposons PoseShield, une contrainte de collision neuronale définie directement dans l'espace des poses SMPL. Nous formulons la correction de collision comme un problème d'optimisation sous contraintes et relions la contrainte apprise à l'équation eikonale. L'application de la régularisation eikonale garantit des gradients non nuls près de la frontière de collision, améliorant ainsi la stabilité numérique et la robustesse du processus d'optimisation. Contrairement aux méthodes antérieures qui opèrent dans l'espace du maillage ou reposent sur des pénalités heuristiques, notre approche opère directement dans l'espace de faible dimension des poses humaines et est théoriquement fondée. La même contrainte apprise s'étend aux séquences de mouvement humain, fournissant un correcteur de collisions a posteriori indépendant du générateur, sans nécessiter de réentraînement du modèle de mouvement sous-jacent. Les expériences sur un nouveau benchmark de poses SMPL montrent que notre méthode atteint un taux de succès de 95,8 % et surpasse les méthodes de référence de l'état de l'art.

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.