ATLAS: Ontkoppeling van skelet- en vormparameters voor expressieve parametrische mensmodellering

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

August 21, 2025

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

cs.AI

Samenvatting

Parametrische lichaamsmodellen bieden een expressieve 3D-weergave van mensen in een breed scala aan houdingen, vormen en gezichtsuitdrukkingen, meestal afgeleid door een basis te leren over geregistreerde 3D-meshes. Bestaande benaderingen voor het modelleren van menselijke meshes hebben echter moeite met het vastleggen van gedetailleerde variaties in diverse lichaamsvormen en -houdingen, grotendeels vanwege beperkte diversiteit in trainingsdata en restrictieve modelaannames. Bovendien optimaliseert het gangbare paradigma eerst het externe lichaamsoppervlak met behulp van een lineaire basis, waarna interne skeletgewrichten worden geregresseerd vanuit oppervlaktevertices. Deze aanpak introduceert problematische afhankelijkheden tussen het interne skelet en het externe zachte weefsel, wat de directe controle over lichaamslengte en botlengtes beperkt. Om deze problemen aan te pakken, presenteren we ATLAS, een hoogwaardig lichaamsmodel geleerd van 600k hoogresolutie-scans gemaakt met 240 gesynchroniseerde camera's. In tegenstelling tot eerdere methoden ontkoppelen we expliciet de vorm- en skeletbasissen door onze mesh-weergave te verankeren in het menselijk skelet. Deze ontkoppeling maakt verbeterde vormexpressiviteit, fijnmazige aanpassing van lichaamsattributen en keypoint-fitting mogelijk, onafhankelijk van externe zachte weefselkenmerken. ATLAS overtreft bestaande methoden door onbekende personen in diverse houdingen nauwkeuriger te fitten, en kwantitatieve evaluaties tonen aan dat onze niet-lineaire pose-correcties complexe houdingen effectiever vastleggen in vergelijking met lineaire modellen.

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.