BODIES: parámetro de forma corporal y mallas 3D de Individuos basAdos en SUPR

Por qué importan los dobles corporales digitales

Desde probar ropa en línea hasta entrenar a cirujanos en realidad virtual, muchas tecnologías dependen ya de versiones digitales realistas de nuestros cuerpos. Sin embargo, crear avatares 3D detallados sigue siendo lento y complejo, especialmente cuando la forma corporal exacta y las medidas son críticas. Este estudio presenta un nuevo y amplio conjunto de datos diseñado para facilitar que los ordenadores reconstruyan cuerpos humanos precisos a partir de imágenes sencillas, con potencial para mejorar desde probadores virtuales hasta simuladores médicos.

Una nueva forma de describir el cuerpo humano

La mayoría de los sistemas actuales para modelar personas en 3D se basan en un estándar popular llamado SMPL, que trata el cuerpo humano como una única superficie deformable controlada por un conjunto limitado de números. Aunque útil, SMPL tiene dificultades con detalles finos como cara, manos y pies, y fue entrenado con datos que no cubren completamente la enorme variedad de formas humanas reales. Un modelo más reciente, llamado SUPR, representa el cuerpo por partes y se entrenó con más de un millón de escaneos, incluidos tipos corporales extremos y registros detallados de cabeza, manos y pies. En principio, SUPR debería capturar la forma y el movimiento humanos con mayor fidelidad, pero ha tenido poco uso porque no existían grandes conjuntos de datos listos para usar basados en él.

Construyendo el conjunto de datos BODIES

Para cerrar esta brecha, los autores crearon BODIES, una colección sintética de 84.000 sujetos digitales definidos usando el modelo SUPR. Cada sujeto se describe en una pose simple y neutra de pie mediante un conjunto de valores numéricos que controlan la forma corporal, además de una malla de superficie 3D y dos imágenes que muestran vistas frontal y lateral. Los investigadores generaron poblaciones masculinas y femeninas separadas, incrementando gradualmente cuántos valores de forma se usaban, desde una descripción compacta con 10 números hasta una detallada con 300. Tomaron estos valores de una distribución estadística en forma de campana similar a cómo se distribuyen la altura y el peso en poblaciones reales, y recortaron los extremos para evitar cuerpos imposibles. Para cada sujeto guardaron la malla, los valores de forma, la altura y el peso calculados, e imágenes estandarizadas, y organizaron todo para que otros equipos puedan incorporar los datos directamente en sus propios flujos de trabajo de aprendizaje automático.

Comprobando qué tan bien se reconstruyen los cuerpos

El equipo se preguntó si usar SUPR y el conjunto BODIES mejora realmente la reconstrucción de cuerpos 3D a partir de imágenes. Partieron de un sistema existente de tres partes: un módulo que recorta el contorno de la persona en imágenes frontal y lateral, un módulo que comprime estos contornos en características visuales compactas y un módulo final que convierte esas características, junto con altura y peso, en números de forma corporal y en una malla 3D. Los autores mejoraron los pasos de procesamiento de imagen y adaptaron el sistema para trabajar con SUPR en lugar de SMPL. En su primera serie de pruebas compararon entrenar este sistema con un conjunto de datos antiguo basado en SMPL frente a BODIES, y luego midieron qué tan lejos estaban las mallas reconstruidas de los originales. Usar BODIES y SUPR redujo en general los errores, especialmente para cuerpos femeninos, lo que sugiere que el modelo más rico y la mayor cobertura de formas ayudan al sistema a aprender formas más precisas.

Cuántos detalles de forma son útiles

Después, los autores exploraron cómo el número de valores de forma afecta al rendimiento. Intuitivamente, más números deberían permitir capturar detalles más finos, pero también hacen que el problema de predicción sea más difícil. Al entrenar y evaluar versiones de BODIES que usaban de 10 a 300 valores de forma, los investigadores encontraron que los errores de reconstrucción tienden a aumentar a medida que la descripción objetivo se vuelve más detallada. Con solo dos siluetas y pocas medidas en las que basarse, el sistema tiene problemas para determinar los muchos ajustes pequeños permitidos por cientos de parámetros de forma. Sin embargo, al observar cómo se generalizan los modelos entrenados con distintos niveles de detalle a través de todas las versiones del conjunto, aquellos entrenados con un número intermedio o alto de valores de forma a menudo lograron un mejor equilibrio, aprendiendo a representar rasgos corporales sutiles sin sobreajustarse demasiado a un caso estrecho.

De personas virtuales a escaneos reales

Finalmente, el equipo evaluó cómo se traslada el entrenamiento con datos sintéticos a humanos reales. Usaron escaneos 3D cuidadosamente limpiados de 34 personas, generaron imágenes frontales y laterales y pidieron a los modelos entrenados ya sea con el conjunto SMPL antiguo o con BODIES que reconstruyeran esos cuerpos. Evaluaron la precisión comparando alturas, pesos y circunferencias clave, y también pidiendo a voluntarios que valoraran la similitud visual. En general, los errores fueron mayores que en las pruebas puramente sintéticas, reflejando el salto de formas generadas por ordenador a la realidad más desordenada. Aun así, los modelos entrenados con BODIES con frecuencia igualaron o superaron a los entrenados con SMPL, particularmente en mujeres, lo que confirma que el conjunto de datos basado en SUPR puede manejar mejor formas corporales complejas incluso en condiciones del mundo real.

Qué significa esto para futuros avatares

Para un no especialista, el mensaje principal es que este trabajo aporta tanto una nueva y rica librería de cuerpos digitales como evidencia de que un modelo corporal más detallado puede mejorar la precisión con la que las máquinas reconstruyen la forma humana. BODIES ofrece decenas de miles de ejemplos estandarizados que los desarrolladores pueden usar para entrenar sistemas detrás de probadores virtuales, personajes realistas en juegos y cine, y herramientas médicas específicas para pacientes. Aunque el estudio también muestra los límites de inferir detalles corporales intrincados a partir de solo dos vistas, apunta hacia sustitutos digitales más fieles que se ajusten mejor al tamaño y las proporciones de las personas reales.

Cita: 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

Palabras clave: reconstrucción 3D del cuerpo humano, avatares digitales, conjunto de datos sintético de cuerpos, probadores virtuales, modelado de la forma corporal