BODIES: Körperformparameter und 3D-Meshes von Individuen basierend auf SUPR

Warum digitale Körperdoubles wichtig sind

Ob beim Online-Anprobieren von Kleidung oder beim Training von Chirurgen in Virtual Reality: Viele Technologien bauen heute auf realistischen digitalen Abbildern unseres Körpers auf. Dennoch ist das Erstellen solcher detaillierten 3D-Avatare nach wie vor zeitaufwendig und schwierig, insbesondere wenn genaue Körperform und Maße wichtig sind. Diese Studie stellt einen großen neuen Datensatz vor, der es Computern erleichtern soll, aus einfachen Bildern präzise menschliche Körper zu rekonstruieren, und damit potenziell alles von virtuellen Umkleidekabinen bis zu medizinischen Simulatoren verbessert.

Eine neue Art, den menschlichen Körper zu beschreiben

Die meisten aktuellen Systeme zur 3D-Modellierung von Menschen basieren auf einem verbreiteten Standard namens SMPL, der den menschlichen Körper als eine einzige verformbare Oberfläche beschreibt, gesteuert durch eine begrenzte Anzahl von Parametern. Zwar nützlich, hat SMPL Schwierigkeiten mit feinen Details wie Gesicht, Händen und Füßen, und es wurde auf Daten trainiert, die die große Vielfalt realer Körperformen nicht vollständig abdecken. Ein neueres Modell namens SUPR repräsentiert den Körper in Teilen und wurde an über einer Million Scans trainiert, darunter extreme Körpertypen und detaillierte Aufnahmen von Kopf, Händen und Füßen. Prinzipiell sollte SUPR Gestalt und Bewegung des Menschen treuer erfassen, doch wurde es kaum genutzt, weil es an großen, gebrauchsfertigen Datensätzen auf dieser Basis fehlte.

Der Aufbau des BODIES-Datensatzes

Um diese Lücke zu schließen, erstellten die Autorinnen und Autoren BODIES, eine synthetische Sammlung von 84.000 digitalen Probanden, definiert mit dem SUPR-Modell. Jede Person ist in einer einfachen, neutralen Stehpose durch eine Reihe von Zahlenwerten beschrieben, die die Körperform steuern, zusätzlich zu einem 3D-Flächennetz und zwei Bildern mit Vorder- und Seitenansicht. Die Forschenden erzeugten getrennte männliche und weibliche Populationen und erhöhten schrittweise die Anzahl der verwendeten Formwerte — von einer kompakten Beschreibung mit 10 Zahlen bis hin zu einer detaillierten mit 300. Diese Werte zogen sie aus einer glockenförmigen statistischen Verteilung, ähnlich der Verteilung von Größe und Gewicht in realen Populationen, und schnitten Extremwerte ab, um unmögliche Körper zu vermeiden. Für jede Person speicherten sie das Mesh, die Formwerte, berechnete Größe und Gewicht sowie standardisierte Bilder und organisierten alles so, dass andere Teams die Daten direkt in ihre eigenen Machine-Learning-Pipelines einbinden können.

Prüfung, wie gut die Körper rekonstruiert werden

Das Team fragte anschließend, ob die Nutzung von SUPR und des BODIES-Datensatzes die Rekonstruktion von 3D-Körpern aus Bildern tatsächlich verbessert. Sie begannen mit einem bestehenden Dreikomponenten-System: ein Modul, das die Silhouette einer Person aus Vorder- und Seitenbildern extrahiert, ein Modul, das diese Silhouetten in kompakte visuelle Merkmale komprimiert, und ein finales Modul, das diese Merkmale plus Größe und Gewicht in Körperformwerte und ein 3D-Mesh umwandelt. Die Autorinnen und Autoren verbesserten die Bildverarbeitungsschritte und passten das System an, um mit SUPR statt mit SMPL zu arbeiten. In ihrer ersten Testreihe verglichen sie das Training dieses Systems auf einem älteren SMPL-basierten Datensatz mit dem Training auf BODIES und maßen dann die Abweichungen der rekonstruierten Meshes von den Originalen. Die Nutzung von BODIES und SUPR verringerte im Allgemeinen die Fehler, besonders bei weiblichen Körpern, was darauf hindeutet, dass das reichhaltigere Modell und die breitere Formabdeckung dem System helfen, genauere Formen zu lernen.

Wie viele Formdetails nützlich sind

Im nächsten Schritt untersuchten die Autorinnen und Autoren, wie sich die Anzahl der Formwerte auf die Leistung auswirkt. Intuitiv sollten mehr Werte feinere Details erfassen lassen, zugleich erschweren sie die Vorhersage. Durch Training und Testen über Versionen von BODIES, die 10 bis 300 Formwerte verwendeten, stellten die Forschenden fest, dass die Rekonstruktionsfehler tendenziell steigen, je detaillierter die Zielbeschreibung ist. Mit nur zwei Silhouetten und wenigen Maßen tut sich das System schwer, die vielen feinen Anpassungen festzulegen, die Hunderte von Formparametern erlauben. Schaut man jedoch darauf, wie gut Modelle, die mit unterschiedlicher Detailtiefe trainiert wurden, über alle Versionen des Datensatzes generalisieren, finden sich oft bessere Kompromisse bei Modellen, die mit einer mittleren oder höheren Anzahl von Formwerten trainiert wurden: Sie lernen subtile Körpermerkmale darzustellen, ohne zu stark auf einen engen Fall überzufitten.

Von virtuellen Personen zu realen Scans

Abschließend prüfte das Team, wie gut sich das Training an synthetischen Daten auf reale Menschen übertragen lässt. Sie nutzten sorgfältig bereinigte 3D-Scans von 34 Personen, erzeugten Vorder- und Seitenbilder und baten Modelle, die entweder auf dem älteren SMPL-Datensatz oder auf BODIES trainiert wurden, diese Körper zu rekonstruieren. Die Bewertung erfolgte durch den Vergleich von Größe, Gewicht und wichtigen Umfängen sowie durch freiwillige Beurteilungen der visuellen Ähnlichkeit. Insgesamt waren die Fehler größer als in rein synthetischen Tests, was den Sprung von computergenerierten Formen zur unordentlichen Realität widerspiegelt. Dennoch erzielten Modelle, die auf BODIES trainiert wurden, häufig gleichwertige oder bessere Ergebnisse als die SMPL-trainierten, insbesondere bei Frauen, und bestätigen damit, dass der SUPR-basierte Datensatz komplexere Körperformen auch unter realen Bedingungen besser abdecken kann.

Was das für zukünftige Avatare bedeutet

Für Nicht-Spezialisten lautet die Kernbotschaft: Diese Arbeit liefert sowohl eine neue, reichhaltige Bibliothek digitaler Körper als auch Hinweise darauf, dass ein detaillierteres Körpermodell die Genauigkeit maschineller Rekonstruktionen verbessern kann. BODIES bietet zehntausende standardisierte Beispiele, die Entwicklerinnen und Entwickler nutzen können, um Systeme für virtuelle Anproben, realistische Figuren in Spielen und Filmen sowie patientenspezifische medizinische Werkzeuge zu trainieren. Während die Studie auch die Grenzen aufzeigt, komplexe Körperdetails nur aus zwei Ansichten zu erschließen, weist sie in Richtung getreuerer digitaler Stellvertreter, die Größe und Proportionen realer Menschen besser abbilden.

Zitation: Cannavò, A., Manigrasso, F., Moro, F. et al. BODIES: BOdy shape parameter and 3D meshes of Individuals basEd on SUPR. Sci Data 13, 736 (2026). https://doi.org/10.1038/s41597-026-06777-4

Schlüsselwörter: 3D-Rekonstruktion menschlicher Körper, digitale Avatare, synthetischer Körperdatensatz, virtuelles Anprobieren, Körperformmodellierung