ATLAS: Разделение параметров скелета и формы для выразительного параметрического моделирования человека

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

August 21, 2025

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

cs.AI

Аннотация

Параметрические модели тела предоставляют выразительные 3D-представления человека в широком диапазоне поз, форм и мимики, обычно получаемые путем обучения базиса на зарегистрированных 3D-сетках. Однако существующие подходы к моделированию человеческого меша сталкиваются с трудностями в захвате детальных вариаций для разнообразных поз и форм тела, что во многом обусловлено ограниченным разнообразием обучающих данных и строгими предположениями моделирования. Более того, распространенная парадигма сначала оптимизирует внешнюю поверхность тела с использованием линейного базиса, а затем регрессирует внутренние скелетные суставы из вершин поверхности. Такой подход создает проблемные зависимости между внутренним скелетом и внешними мягкими тканями, ограничивая прямой контроль над ростом тела и длиной костей. Для решения этих проблем мы представляем ATLAS — высокоточную модель тела, обученную на 600 тыс. высококачественных сканов, полученных с использованием 240 синхронизированных камер. В отличие от предыдущих методов, мы явно разделяем базисы формы и скелета, основывая наше представление меша на человеческом скелете. Это разделение позволяет повысить выразительность формы, тонкую настройку атрибутов тела и подгонку ключевых точек независимо от характеристик внешних мягких тканей. ATLAS превосходит существующие методы, более точно подгоняя неизвестные объекты в разнообразных позах, а количественные оценки показывают, что наши нелинейные коррективы поз эффективнее захватывают сложные позы по сравнению с линейными моделями.

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.