BODIES: lichaam-vormparameter en 3D-meshes van Individuen gebaseerd op SUPR

Waarom digitale lichaam-dubbels ertoe doen

Van online kledingpassen tot het trainen van chirurgen in virtual reality: veel technologieën vertrouwen inmiddels op realistische digitale versies van onze lichamen. Toch is het maken van zulke gedetailleerde 3D-avatars nog steeds traag en ingewikkeld, vooral wanneer exacte lichaamsvorm en afmetingen belangrijk zijn. Deze studie introduceert een grote nieuwe dataset die het voor computers makkelijker moet maken om nauwkeurige menselijke lichamen uit eenvoudige afbeeldingen te reconstrueren, wat mogelijk alles verbetert van virtuele paskamers tot medische simulatoren.

Een nieuwe manier om het menselijk lichaam te beschrijven

De meeste huidige systemen voor het modelleren van mensen in 3D zijn opgebouwd rond een populair standaardmodel genaamd SMPL, dat het menselijk lichaam behandelt als één vervormbare oppervlakte die wordt gestuurd door een beperkte reeks getallen. Hoewel nuttig, heeft SMPL moeite met fijne details zoals gezichten, handen en voeten, en het is getraind op data die niet de enorme variëteit aan echte lichaamsvormen volledig dekt. Een nieuwer model, SUPR genoemd, vertegenwoordigt het lichaam in onderdelen en is getraind op meer dan een miljoen scans, inclusief extreme lichaamstypen en gedetailleerde gegevens van hoofd, handen en voeten. In principe zou SUPR menselijke vorm en beweging getrouwer moeten vastleggen, maar het is weinig gebruikt omdat er geen grote, kant-en-klare datasets op gebaseerd waren.

Het opbouwen van de BODIES-dataset

Om deze kloof te dichten, creëerden de auteurs BODIES, een synthetische verzameling van 84.000 digitale proefpersonen gedefinieerd met het SUPR-model. Elke proefpersoon wordt beschreven in een eenvoudige, neutrale staande pose door een reeks numerieke waarden die de lichaamsvorm sturen, plus een 3D-oppervlakte-mesh en twee afbeeldingen met voor- en zijaanzichten. De onderzoekers genereerden afzonderlijke mannelijke en vrouwelijke populaties en verhoogden geleidelijk het aantal gebruikte vormwaarden, van een compacte beschrijving met 10 getallen tot een gedetailleerde met 300. Ze trokken deze waarden uit een klokvormige statistische verdeling vergelijkbaar met hoe lengte en gewicht in echte populaties zijn verspreid, en snoeiden extreme waarden weg om onmogelijke lichamen te vermijden. Voor elke proefpersoon bewaarden ze de mesh, de vormwaarden, berekende lengte en gewicht en gestandaardiseerde afbeeldingen, en ze organiseerden alles zodat andere teams de data direct in hun eigen machine-learning-pijplijnen kunnen pluggen.

Testen hoe goed de lichamen worden gereconstrueerd

Vervolgens vroegen de onderzoekers of het gebruik van SUPR en de BODIES-dataset daadwerkelijk de reconstructie van 3D-lichamen uit afbeeldingen verbetert. Ze begonnen met een bestaand drieslachtig systeem: een module die iemands silhouet uit voor- en zijbeelden knipt, een module die deze silhouetten comprimeert tot compacte visuele kenmerken, en een eindmodule die die kenmerken, plus lengte en gewicht, omzet in vormgetallen en een 3D-mesh. De auteurs verbeterden de beeldverwerkingsstappen en pasten het systeem aan om met SUPR in plaats van SMPL te werken. In hun eerste reeks tests vergeleken ze het trainen van dit systeem op een oudere SMPL-gebaseerde dataset versus op BODIES, en maten vervolgens hoe ver de gereconstrueerde meshes van de originelen af waren. Het gebruik van BODIES en SUPR verminderde over het algemeen de fouten, vooral voor vrouwelijke lichamen, wat suggereert dat het rijkere model en de bredere vormdekking het systeem helpen nauwkeurigere vormen te leren.

Hoeveel vormdetails nuttig zijn

Daarna onderzochten de auteurs hoe het aantal vormwaarden de prestaties beïnvloedt. Intuïtief zouden meer getallen het systeem in staat moeten stellen fijnere details vast te leggen, maar ze maken het voorspellingsprobleem ook moeilijker. Door te trainen en testen over versies van BODIES die 10 tot 300 vormwaarden gebruikten, vonden de onderzoekers dat reconstructiefouten geneigd zijn toe te nemen naarmate de doelbeschrijving gedetailleerder wordt. Met slechts twee silhouetten en een paar metingen om op te vertrouwen, worstelt het systeem om de vele kleine aanpassingen vast te leggen die honderden vorminstellingen toelaten. Toen ze echter bekeken hoe goed modellen die met verschillende niveaus van detail waren getraind generaliseerden over alle versies van de dataset, bleek dat modellen die met een gemiddeld of hoger aantal vormwaarden waren getraind vaak een beter evenwicht bereikten, doordat ze subtiele lichaamskenmerken konden representeren zonder te sterk te overfitten op één smalle variant.

Van virtuele mensen naar echte scans

Tot slot testte het team hoe goed training op synthetische data zich vertaalt naar echte mensen. Ze gebruikten zorgvuldig schoongemaakte 3D-scans van 34 mensen, genereerden voor- en zijbeelden en vroegen modellen die getraind waren op ofwel de oudere SMPL-dataset of op BODIES om deze lichamen te reconstrueren. Ze evalueerden de nauwkeurigheid door lengtes, gewichten en belangrijke omtrekken te vergelijken, en ook door vrijwilligers visuele gelijkenis te laten beoordelen. Over het geheel genomen waren de fouten groter dan in puur synthetische tests, wat de sprong van computergestuurde vormen naar rommelige realiteit weerspiegelt. Toch presteerden modellen getraind op BODIES vaak even goed of beter dan de SMPL-getrainde modellen, met name voor vrouwen, wat bevestigt dat de SUPR-gebaseerde dataset beter om kan gaan met complexe lichaamsvormen, zelfs onder realistische omstandigheden.

Wat dit betekent voor toekomstige avatars

Voor niet-specialisten is de kernboodschap dat dit werk zowel een nieuwe rijke bibliotheek van digitale lichamen levert als bewijs dat een gedetailleerder lichaamsmodel kan verbeteren hoe nauwkeurig machines menselijke vorm reconstrueren. BODIES biedt tienduizenden gestandaardiseerde voorbeelden die ontwikkelaars kunnen gebruiken om systemen achter virtuele paskamers, realistische spel- en filmkarakters en patiëntspecifieke medische hulpmiddelen te trainen. Hoewel de studie ook de beperkingen laat zien van het afleiden van ingewikkelde lichaamsdetails uit slechts twee aanzichten, wijst ze richting meer getrouwe digitale stand-ins die beter aansluiten bij de omvang en verhoudingen van echte mensen.

Bronvermelding: 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

Trefwoorden: 3D-reconstructie van het menselijk lichaam, digitale avatars, synthetische lichaamsdataset, virtueel passen, modellering van lichaamsvorm