Learnable SMPLify: Een Neurale Oplossing voor Optimalisatievrije Inverse Kinematica van Menselijke Houdingen

Learnable SMPLify: A Neural Solution for Optimization-Free Human Pose Inverse Kinematics

August 19, 2025

Auteurs: Yuchen Yang, Linfeng Dong, Wei Wang, Zhihang Zhong, Xiao Sun

cs.AI

Samenvatting

In 3D menselijke houding en vormschatting blijft SMPLify een robuuste basislijn die inverse kinematica (IK) oplost via iteratieve optimalisatie. De hoge rekenkosten beperken echter de praktische toepasbaarheid. Recente vooruitgang in verschillende domeinen heeft aangetoond dat het vervangen van iteratieve optimalisatie door data-gedreven neurale netwerken aanzienlijke snelheidsverbeteringen kan bereiken zonder in te leveren op nauwkeurigheid. Geïnspireerd door deze trend stellen we Learnable SMPLify voor, een neuraal raamwerk dat het iteratieve aanpassingsproces in SMPLify vervangt door een eenmalig regressiemodel. Het ontwerp van ons raamwerk richt zich op twee kernuitdagingen in neurale IK: dataconstructie en generalisatie. Om effectieve training mogelijk te maken, stellen we een temporele steekproefstrategie voor die initialisatie-doelparen construeert uit sequentiële frames. Om de generalisatie over diverse bewegingen en onbekende houdingen te verbeteren, introduceren we een mensgerichte normalisatieschema en residueel leren om de oplossingsruimte te verkleinen. Learnable SMPLify ondersteunt zowel sequentiële inferentie als plug-in nabewerking om bestaande beeldgebaseerde schatters te verfijnen. Uitgebreide experimenten tonen aan dat onze methode zich vestigt als een praktische en eenvoudige basislijn: het bereikt bijna 200x snellere uitvoeringstijden vergeleken met SMPLify, generaliseert goed naar onbekende 3DPW en RICH, en opereert op een model-agnostische manier wanneer het wordt gebruikt als een plug-in tool op LucidAction. De code is beschikbaar op https://github.com/Charrrrrlie/Learnable-SMPLify.

English

In 3D human pose and shape estimation, SMPLify remains a robust baseline that solves inverse kinematics (IK) through iterative optimization. However, its high computational cost limits its practicality. Recent advances across domains have shown that replacing iterative optimization with data-driven neural networks can achieve significant runtime improvements without sacrificing accuracy. Motivated by this trend, we propose Learnable SMPLify, a neural framework that replaces the iterative fitting process in SMPLify with a single-pass regression model. The design of our framework targets two core challenges in neural IK: data construction and generalization. To enable effective training, we propose a temporal sampling strategy that constructs initialization-target pairs from sequential frames. To improve generalization across diverse motions and unseen poses, we propose a human-centric normalization scheme and residual learning to narrow the solution space. Learnable SMPLify supports both sequential inference and plug-in post-processing to refine existing image-based estimators. Extensive experiments demonstrate that our method establishes itself as a practical and simple baseline: it achieves nearly 200x faster runtime compared to SMPLify, generalizes well to unseen 3DPW and RICH, and operates in a model-agnostic manner when used as a plug-in tool on LucidAction. The code is available at https://github.com/Charrrrrlie/Learnable-SMPLify.