PoseShield: Нейронные поля коллизий для разрешения самоколлизий человека

Аннотация

Самоколлизия остается постоянной проблемой в оценке поз человека и генерации движений на основе SMPL. При экстремальных сочленениях или стохастическом синтезе движений сгенерированные сетки часто демонстрируют самопересечения, что приводит к физически неправдоподобным результатам. Мы предлагаем PoseShield — нейронное ограничение коллизий, заданное непосредственно в пространстве поз SMPL. Мы формулируем коррекцию коллизий как задачу оптимизации с ограничениями и связываем изучаемое ограничение с уравнением эйконала. Применение регуляризации эйконала обеспечивает ненулевые градиенты вблизи границы коллизий, улучшая численную устойчивость и надежность процесса оптимизации. В отличие от предыдущих методов, которые работают в пространстве сетки или полагаются на эвристические штрафы, наш подход работает непосредственно в низкоразмерном пространстве поз человека и имеет теоретическое обоснование. То же самое изучаемое ограничение распространяется на последовательности движений человека, обеспечивая агностический по отношению к генератору последующий корректор коллизий без переобучения базовой модели движений. Эксперименты на новом бенчмарке поз SMPL показывают, что наш метод достигает 95,8% успешности и превосходит современные базовые подходы.

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.