BODIES: parametro di forma corporea e mesh 3D di Individui basati su SUPR

Perché i doppi digitali del corpo sono importanti

Dalla prova di abiti online all’addestramento di chirurghi in realtà virtuale, molte tecnologie oggi dipendono da versioni digitali realistiche dei nostri corpi. Tuttavia costruire avatar 3D dettagliati è ancora lento e complicato, specialmente quando forma e misure esatte contano davvero. Questo studio presenta un nuovo grande dataset pensato per facilitare la ricostruzione computazionale di corpi umani accurati a partire da immagini semplici, con potenziali miglioramenti per tutto, dalle cabine di prova virtuali ai simulatori medici.

Un nuovo modo di descrivere il corpo umano

La maggior parte dei sistemi attuali per modellare persone in 3D si basa su uno standard diffuso chiamato SMPL, che rappresenta il corpo umano come una singola superficie deformabile controllata da un insieme limitato di numeri. Pur essendo utile, SMPL fatica con dettagli fini come volto, mani e piedi, ed è stato addestrato su dati che non coprono completamente la grande varietà delle forme corporee reali. Un modello più recente, chiamato SUPR, rappresenta il corpo a pezzi ed è stato addestrato su oltre un milione di scansioni, incluse tipologie corporee estreme e registrazioni dettagliate di testa, mani e piedi. In linea di principio SUPR dovrebbe catturare forma e movimento umano in modo più fedele, ma è stato poco utilizzato perché mancavano grandi dataset pronti all’uso basati su di esso.

Costruire il dataset BODIES

Per colmare questa lacuna, gli autori hanno creato BODIES, una collezione sintetica di 84.000 soggetti digitali definiti usando il modello SUPR. Ogni soggetto è descritto in una posa semplice e neutra in piedi da un insieme di valori numerici che controllano la forma del corpo, oltre a una mesh di superficie 3D e due immagini che mostrano viste frontale e laterale. I ricercatori hanno generato popolazioni separate maschili e femminili, aumentando progressivamente il numero di valori di forma usati, da una descrizione compatta con 10 numeri fino a una dettagliata con 300. Hanno estratto questi valori da una distribuzione statistica a campana simile a come altezza e peso sono distribuiti nelle popolazioni reali, quindi hanno tagliato gli estremi per evitare corpi impossibili. Per ogni soggetto hanno archiviato la mesh, i valori di forma, altezza e peso calcolati e immagini standardizzate, organizzando il tutto in modo che altri team possano integrare i dati direttamente nelle proprie pipeline di apprendimento automatico.

Testare quanto bene i corpi vengono ricostruiti

Il team ha quindi verificato se l’uso di SUPR e del dataset BODIES migliori effettivamente la ricostruzione di corpi 3D a partire da immagini. Hanno preso un sistema esistente in tre parti: un modulo che isola il contorno di una persona da immagini frontali e laterali, un modulo che comprime questi contorni in caratteristiche visive compatte e un modulo finale che trasforma quelle caratteristiche, più altezza e peso, in numeri di forma corporea e in una mesh 3D. Gli autori hanno aggiornato i passaggi di elaborazione delle immagini e adattato il sistema a lavorare con SUPR invece che con SMPL. Nel primo set di test hanno confrontato l’addestramento di questo sistema su un vecchio dataset basato su SMPL rispetto a BODIES, quindi hanno misurato quanto le mesh ricostruite si discostassero dagli originali. L’uso di BODIES e SUPR ha generalmente ridotto gli errori, specialmente per i corpi femminili, suggerendo che il modello più ricco e la copertura più ampia delle forme aiutano il sistema a imparare forme più accurate.

Quanti dettagli di forma sono utili

Successivamente gli autori hanno esplorato come il numero di valori di forma influisca sulle prestazioni. Intuitivamente, più numeri dovrebbero permettere al sistema di catturare dettagli più fini, ma rendono anche il problema di predizione più difficile. Addestrando e testando su versioni di BODIES che usavano da 10 fino a 300 valori di forma, i ricercatori hanno osservato che gli errori di ricostruzione tendono ad aumentare man mano che la descrizione target diventa più dettagliata. Con solo due silhouette e poche misure su cui fare affidamento, il sistema fatica a determinare i molti piccoli aggiustamenti permessi da centinaia di impostazioni di forma. Tuttavia, analizzando come i modelli addestrati con diversi livelli di dettaglio si generalizzano attraverso tutte le versioni del dataset, quelli addestrati con un numero intermedio o elevato di valori di forma spesso hanno trovato un equilibrio migliore, imparando a rappresentare caratteristiche corporee sottili senza sovra-adattarsi troppo a un caso ristretto.

Da persone virtuali a scansioni reali

Infine, il team ha verificato come l’addestramento su dati sintetici si trasferisca agli esseri umani reali. Hanno usato scansioni 3D accuratamente pulite di 34 persone, generato immagini frontali e laterali e hanno chiesto ai modelli addestrati sul vecchio dataset SMPL o su BODIES di ricostruire questi corpi. Hanno valutato l’accuratezza confrontando altezze, pesi e circonferenze chiave, e anche chiedendo a volontari di valutare la somiglianza visiva. Nel complesso gli errori sono stati maggiori rispetto ai test puramente sintetici, riflettendo il salto da forme generate al computer alla realtà più disordinata. Tuttavia, i modelli addestrati su BODIES spesso hanno eguagliato o superato quelli addestrati su SMPL, in particolare per le donne, confermando che il dataset basato su SUPR può gestire meglio forme corporee complesse anche in condizioni del mondo reale.

Cosa significa per gli avatar futuri

Per un non specialista, il messaggio principale è che questo lavoro fornisce sia una nuova ricca libreria di corpi digitali sia prove che un modello corporeo più dettagliato può migliorare la precisione con cui le macchine ricostruiscono la forma umana. BODIES offre decine di migliaia di esempi standardizzati che gli sviluppatori possono usare per addestrare i sistemi dietro cabine di prova virtuali, personaggi realistici per giochi e film e strumenti medici specifici per il paziente. Pur mostrando anche i limiti nell’inferire dettagli corporei intricati a partire da sole due viste, lo studio indica la direzione verso sostituti digitali più fedeli che corrispondono meglio a dimensioni e proporzioni delle persone reali.

Citazione: 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

Parole chiave: ricostruzione 3D del corpo umano, avatar digitali, dataset corporeo sintetico, prova virtuale di abiti, modellazione della forma corporea