PoseShield: Campos de Colisão Neurais para Resolução de Autocolisão Humana

Resumo

Auto-colisão continua sendo um desafio persistente na estimativa de pose humana e geração de movimento baseadas em SMPL. Sob articulações extremas ou síntese de movimento estocástico, malhas geradas frequentemente exibem autopenetrações, levando a resultados fisicamente implausíveis. Propomos PoseShield, uma restrição neural de colisão definida diretamente no espaço de poses do SMPL. Formulamos a correção de colisão como um problema de otimização restrita e conectamos a restrição aprendida com a equação Eikonal. A imposição da regularização Eikonal garante gradientes não nulos próximos à fronteira de colisão, melhorando a estabilidade numérica e a robustez do processo de otimização. Diferentemente de métodos anteriores que operam no espaço da malha ou dependem de penalidades heurísticas, nossa abordagem opera diretamente no espaço de baixa dimensionalidade das poses humanas e é teoricamente fundamentada. A mesma restrição aprendida se estende a sequências de movimento humano, fornecendo um corretor de colisão post-hoc, agnóstico em relação ao gerador, sem necessidade de retreinar o modelo de movimento subjacente. Experimentos em um novo benchmark de poses SMPL mostram que nosso método atinge uma taxa de sucesso de 95,8% e supera as linhas de base de última geração.

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.