PoseShield: Neuronale Botsingsvelden voor het Oplossen van Menselijke Zelfbotsingen

Samenvatting

Zelfbotsing blijft een aanhoudende uitdaging in SMPL-gebaseerde menselijke poseschatting en bewegingsgeneratie. Bij extreme articulaties of stochastische bewegingssynthese vertonen gegenereerde meshes vaak zelfpenetraties, wat leidt tot fysisch onwaarschijnlijke resultaten. Wij stellen PoseShield voor, een neurale botsingsbeperking die direct in de SMPL-poseruimte is gedefinieerd. We formuleren botsingscorrectie als een beperkt optimalisatieprobleem en verbinden de geleerde beperking met de Eikonal-vergelijking. Het afdwingen van Eikonal-regularisatie zorgt voor niet-verdwijnende gradiënten nabij de botsingsgrens, wat de numerieke stabiliteit en robuustheid van het optimalisatieproces verbetert. In tegenstelling tot eerdere methoden die in de mesh-ruimte werken of vertrouwen op heuristische straffen, werkt onze aanpak direct in de laagdimensionale ruimte van menselijke poses en is theoretisch onderbouwd. Dezelfde geleerde beperking breidt zich uit naar menselijke bewegingsreeksen, en biedt een generator-agnostische post-hoc botsingscorrector zonder het onderliggende bewegingsmodel opnieuw te trainen. Experimenten op een nieuw geconstrueerde SMPL-posesbenchmark tonen aan dat onze methode een slagingspercentage van 95,8% behaalt en de state-of-the-art basislijnen overtreft.

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.