PoseShield: 인간 자체 충돌 해결을 위한 신경 충돌 필드

초록

자기충돌은 SMPL 기반 인간 포즈 추정 및 움직임 생성에서 지속적인 난제로 남아 있다. 극단적인 관절 움직임이나 확률적 움직임 합성 하에서 생성된 메시는 종종 자기침투를 보여주며, 물리적으로 타당하지 않은 결과를 초래한다. 우리는 SMPL 포즈 공간에서 직접 정의된 신경 충돌 제약 조건인 PoseShield를 제안한다. 충돌 보정을 제약 최적화 문제로 정식화하고, 학습된 제약 조건을 에이코날 방정식과 연결한다. 에이코날 정칙화를 적용하면 충돌 경계 근처에서 기울기가 사라지지 않도록 보장하여 최적화 과정의 수치적 안정성과 강건성을 향상시킨다. 메시 공간에서 작동하거나 휴리스틱 패널티에 의존하는 기존 방법과 달리, 우리의 접근 방식은 인간 포즈의 저차원 공간에서 직접 작동하며 이론적 기반을 갖춘다. 동일한 학습된 제약 조건은 인간 움직임 시퀀스로 확장되어, 기본 움직임 모델을 재학습하지 않고도 생성기와 무관한 사후 충돌 보정기를 제공한다. 새로 구축된 SMPL 포즈 벤치마크에 대한 실험에서 우리 방법은 95.8%의 성공률을 달성하며 최신 기준선을 능가한다.

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.