BODIES : paramètre de forme corporelle et maillages 3D d’individus basés sur SUPR

Pourquoi les doubles numériques de corps sont importants

De l’essayage de vêtements en ligne à l’entraînement de chirurgiens en réalité virtuelle, de nombreuses technologies reposent désormais sur des versions numériques réalistes de nos corps. Pourtant, la création d’avatars 3D détaillés reste lente et délicate, notamment lorsque la forme exacte du corps et les mesures sont cruciales. Cette étude présente un nouveau jeu de données volumineux conçu pour faciliter la reconstruction informatique de corps humains précis à partir d’images simples, améliorant potentiellement tout, des cabines d’essayage virtuelles aux simulateurs médicaux.

Une nouvelle façon de décrire le corps humain

La plupart des systèmes actuels de modélisation 3D des personnes sont construits autour d’un standard populaire appelé SMPL, qui considère le corps humain comme une seule surface déformable contrôlée par un nombre limité de paramètres. Utile, SMPL peine cependant à rendre les détails fins tels que le visage, les mains et les pieds, et il a été entraîné sur des données qui ne couvrent pas entièrement la grande variété de formes humaines réelles. Un modèle plus récent, nommé SUPR, représente le corps en parties et a été entraîné sur plus d’un million de scans, incluant des types corporels extrêmes et des enregistrements détaillés de la tête, des mains et des pieds. En principe, SUPR devrait capturer la forme et le mouvement humains de manière plus fidèle, mais son adoption est restée limitée faute de grands jeux de données prêts à l’emploi basés sur ce modèle.

Construction du jeu de données BODIES

Pour combler cette lacune, les auteurs ont créé BODIES, une collection synthétique de 84 000 sujets numériques définis à l’aide du modèle SUPR. Chaque sujet est décrit en pose neutre et debout par un ensemble de valeurs numériques qui contrôlent la forme corporelle, ainsi que par un maillage de surface 3D et deux images montrant vues de face et de côté. Les chercheurs ont généré des populations séparées pour hommes et femmes, augmentant progressivement le nombre de paramètres de forme utilisés, d’une description compacte de 10 nombres jusqu’à une description détaillée de 300. Ils ont tiré ces valeurs d’une distribution statistique en cloche similaire à la répartition de la taille et du poids dans les populations réelles, puis éliminé les extrêmes pour éviter des corps impossibles. Pour chaque sujet, ils ont stocké le maillage, les valeurs de forme, la taille et le poids calculés, et des images standardisées, et ont organisé l’ensemble pour que d’autres équipes puissent intégrer directement les données dans leurs pipelines d’apprentissage automatique.

Tester la qualité de la reconstruction des corps

L’équipe a ensuite vérifié si l’utilisation de SUPR et du jeu de données BODIES améliorait réellement la reconstruction 3D des corps à partir d’images. Ils sont partis d’un système existant en trois parties : un module qui extrait le contour d’une personne à partir d’images de face et de profil, un module qui compresse ces silhouettes en des caractéristiques visuelles compactes, et un module final qui transforme ces caractéristiques, ainsi que la taille et le poids, en paramètres de forme et en un maillage 3D. Les auteurs ont amélioré les étapes de traitement d’image et adapté le système pour qu’il fonctionne avec SUPR au lieu de SMPL. Dans leur premier ensemble de tests, ils ont comparé l’entraînement de ce système sur un ancien jeu de données basé sur SMPL versus sur BODIES, puis ont mesuré à quelle distance les maillages reconstruits se trouvaient des originaux. L’utilisation de BODIES et de SUPR a généralement réduit les erreurs, en particulier pour les corps féminins, suggérant que le modèle plus riche et la couverture plus large des formes aident le système à apprendre des formes plus précises.

Combien de détails de forme sont utiles

Ensuite, les auteurs ont exploré l’effet du nombre de paramètres de forme sur les performances. Intuitivement, plus de paramètres devraient permettre de capturer des détails plus fins, mais ils rendent aussi le problème de prédiction plus difficile. En entraînant et testant sur des versions de BODIES utilisant de 10 à 300 paramètres de forme, les chercheurs ont constaté que les erreurs de reconstruction ont tendance à augmenter à mesure que la description cible devient plus détaillée. Avec seulement deux silhouettes et quelques mesures disponibles, le système peine à déterminer les nombreux ajustements mineurs permis par des centaines de réglages de forme. Cependant, lorsqu’ils ont examiné la généralisation des modèles entraînés avec différents niveaux de détail à travers toutes les versions du jeu de données, ceux entraînés avec un nombre intermédiaire ou élevé de paramètres trouvaient souvent un meilleur compromis, apprenant à représenter des caractéristiques corporelles subtiles sans suradapter excessivement à un cas trop étroit.

Des personnes virtuelles aux scans réels

Enfin, l’équipe a testé la transférabilité de l’entraînement sur données synthétiques vers des humains réels. Ils ont utilisé des scans 3D soigneusement nettoyés de 34 personnes, généré des images de face et de profil, et demandé aux modèles entraînés soit sur l’ancien jeu SMPL, soit sur BODIES, de reconstruire ces corps. Ils ont évalué la précision en comparant tailles, poids et circonférences clés, et en demandant aussi à des volontaires d’évaluer la similarité visuelle. Globalement, les erreurs furent plus grandes que dans les tests purement synthétiques, reflétant le saut des formes générées par ordinateur à la réalité désordonnée. Néanmoins, les modèles entraînés sur BODIES ont souvent égalé ou surpassé ceux entraînés sur SMPL, en particulier pour les femmes, confirmant que le jeu de données basé sur SUPR peut mieux gérer des formes corporelles complexes même en conditions réelles.

Ce que cela signifie pour les futurs avatars

Pour un non-spécialiste, le principal message est que ce travail fournit à la fois une nouvelle bibliothèque riche de corps numériques et des preuves qu’un modèle corporel plus détaillé peut améliorer la précision avec laquelle les machines reconstruisent la forme humaine. BODIES offre des dizaines de milliers d’exemples standardisés que les développeurs peuvent utiliser pour entraîner des systèmes derrière des cabines d’essayage virtuelles, des personnages réalistes pour jeux et films, et des outils médicaux spécifiques aux patients. Si l’étude montre aussi les limites d’inférer des détails corporels complexes à partir de seulement deux vues, elle ouvre la voie à des substituts numériques plus fidèles, mieux ajustés aux tailles et proportions des personnes réelles.

Citation: 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

Mots-clés: reconstruction 3D du corps humain, avatars numériques, jeu de données corporel synthétique, essayage virtuel, modélisation de la forme corporelle