PoseShield: 人体自己衝突解決のためのニューラル衝突場

要旨

自己衝突は、SMPLに基づく人間のポーズ推定および動作生成において依然として持続的な課題である。極端な関節動作や確率的な動作合成の下では、生成されるメッシュにしばしば自己貫通が生じ、物理的に非現実的な結果をもたらす。我々は、SMPLポーズ空間において直接定義されるニューラル衝突制約であるPoseShieldを提案する。衝突補正を制約付き最適化問題として定式化し、学習された制約をアイコナール方程式と関連付ける。アイコナール正則化を課すことで、衝突境界近傍での勾配消失を防ぎ、最適化プロセスの数値的安定性とロバスト性を向上させる。メッシュ空間で動作するかヒューリスティックなペナルティに依存する従来手法とは異なり、本手法は人間のポーズの低次元空間で直接動作し、理論的な基盤を有する。同一の学習された制約は人間の動作系列にも拡張可能であり、基礎となる動作モデルを再学習することなく、生成器に依存しない事後的な衝突補正器を提供する。新たに構築したSMPLポーズベンチマークを用いた実験では、本手法は95.8%の成功率を達成し、最先端のベースラインを上回る性能を示した。

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.