ATLAS: Desacoplamento de Parâmetros Esqueléticos e de Forma para Modelagem Humana Paramétrica Expressiva

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

August 21, 2025

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

cs.AI

Resumo

Modelos corporais paramétricos oferecem uma representação 3D expressiva de humanos em uma ampla gama de poses, formas e expressões faciais, tipicamente derivada da aprendizagem de uma base sobre malhas 3D registradas. No entanto, as abordagens existentes de modelagem de malhas humanas lutam para capturar variações detalhadas em diversas poses e formas corporais, em grande parte devido à diversidade limitada dos dados de treinamento e a suposições de modelagem restritivas. Além disso, o paradigma comum primeiro otimiza a superfície externa do corpo usando uma base linear, e então regride as articulações esqueléticas internas a partir dos vértices da superfície. Essa abordagem introduz dependências problemáticas entre o esqueleto interno e o tecido mole externo, limitando o controle direto sobre a altura do corpo e os comprimentos dos ossos. Para resolver esses problemas, apresentamos o ATLAS, um modelo corporal de alta fidelidade aprendido a partir de 600 mil varreduras de alta resolução capturadas usando 240 câmeras sincronizadas. Diferente de métodos anteriores, explicitamente desacoplamos as bases de forma e esqueleto ao fundamentar nossa representação de malha no esqueleto humano. Esse desacoplamento permite uma expressividade de forma aprimorada, personalização refinada de atributos corporais e ajuste de pontos-chave independente das características do tecido mole externo. O ATLAS supera os métodos existentes ao ajustar sujeitos não vistos em diversas poses com maior precisão, e avaliações quantitativas mostram que nossas correções de pose não lineares capturam poses complexas de forma mais eficaz em comparação com modelos lineares.

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.