BODIES: parâmetro de forma corporal e malhas 3D de Indivíduos baseados no SUPR

Por que duplicatas digitais do corpo importam

De experimentar roupas online a treinar cirurgiões em realidade virtual, muitas tecnologias hoje dependem de versões digitais realistas dos nossos corpos. Ainda assim, criar avatares 3D detalhados continua lento e complicado, especialmente quando a forma corporal exata e as medidas são importantes. Este estudo apresenta um grande novo conjunto de dados projetado para facilitar que computadores reconstruam corpos humanos precisos a partir de imagens simples, potencialmente melhorando desde provadores virtuais até simuladores médicos.

Uma nova maneira de descrever o corpo humano

A maioria dos sistemas atuais para modelar pessoas em 3D é construída em torno de um padrão popular chamado SMPL, que trata o corpo humano como uma superfície deformável única controlada por um conjunto limitado de números. Embora útil, o SMPL tem dificuldade com detalhes finos como rosto, mãos e pés, e foi treinado em dados que não cobrem totalmente a enorme variedade de formas humanas reais. Um modelo mais recente, chamado SUPR, representa o corpo em partes e foi treinado em mais de um milhão de digitalizações, incluindo tipos de corpo extremos e registros detalhados de cabeça, mãos e pés. Em princípio, o SUPR deve capturar forma e movimento humanos de modo mais fiel, mas teve pouco uso porque não havia conjuntos de dados amplos prontos para uso baseados nele.

Construindo o conjunto de dados BODIES

Para fechar essa lacuna, os autores criaram o BODIES, uma coleção sintética de 84.000 sujeitos digitais definidos usando o modelo SUPR. Cada sujeito é descrito em uma pose neutra e em pé por um conjunto de valores numéricos que controlam a forma corporal, além de uma malha de superfície 3D e duas imagens mostrando vistas frontal e lateral. Os pesquisadores geraram populações separadas masculina e feminina, aumentando gradualmente quantos valores de forma eram usados, de uma descrição compacta com 10 números até uma detalhada com 300. Eles extraíram esses valores de uma distribuição estatística em formato de sino, similar a como altura e peso se distribuem em populações reais, e então apararam os extremos para evitar corpos impossíveis. Para cada sujeito guardaram a malha, os valores de forma, altura e peso calculados e imagens padronizadas, e organizaram tudo para que outras equipes possam plugar os dados diretamente em seus próprios pipelines de aprendizado de máquina.

Testando quão bem os corpos são reconstruídos

A equipe então perguntou se usar SUPR e o conjunto BODIES realmente melhora a reconstrução de corpos 3D a partir de imagens. Eles partiram de um sistema existente de três partes: um módulo que recorta o contorno da pessoa nas imagens frontal e lateral, um módulo que comprime esses contornos em características visuais compactas, e um módulo final que transforma essas características, mais altura e peso, em números de forma corporal e em uma malha 3D. Os autores atualizaram os passos de processamento de imagem e adaptaram o sistema para trabalhar com SUPR em vez de SMPL. Em seu primeiro conjunto de testes, compararam treinar esse sistema em um conjunto de dados anterior baseado em SMPL versus no BODIES, e depois mediram quão distantes as malhas reconstruídas estavam das originais. Usar BODIES e SUPR geralmente reduziu erros, especialmente para corpos femininos, sugerindo que o modelo mais rico e a cobertura mais ampla de formas ajudam o sistema a aprender formas mais precisas.

Quantos detalhes de forma são úteis

Em seguida, os autores exploraram como o número de valores de forma afeta o desempenho. Intuitivamente, mais números deveriam permitir ao sistema capturar detalhes mais finos, mas também tornam o problema de predição mais difícil. Ao treinar e testar versões do BODIES que usavam de 10 até 300 valores de forma, os pesquisadores descobriram que os erros de reconstrução tendem a aumentar à medida que a descrição alvo se torna mais detalhada. Com apenas duas silhuetas e algumas medidas para apoiar, o sistema tem dificuldade em fixar os muitos ajustes pequenos permitidos por centenas de configurações de forma. Entretanto, quando observaram quão bem modelos treinados com diferentes níveis de detalhe generalizavam através de todas as versões do conjunto de dados, aqueles treinados com um número intermediário ou maior de valores de forma frequentemente alcançaram um equilíbrio melhor, aprendendo a representar características corporais sutis sem sobreajustar excessivamente a um caso muito restrito.

De pessoas virtuais a digitalizações reais

Finalmente, a equipe testou como o treinamento em dados sintéticos se transfere para humanos reais. Eles usaram digitalizações 3D cuidadosamente limpas de 34 pessoas, geraram imagens frontais e laterais, e pediram para modelos treinados no conjunto anterior baseado em SMPL ou no BODIES reconstruírem esses corpos. Avaliaram a precisão comparando alturas, pesos e circunferências-chave, e também pedindo a voluntários que classificassem a similaridade visual. No geral, os erros foram maiores do que em testes puramente sintéticos, refletindo a transição de formas geradas por computador para a realidade mais desordenada. Ainda assim, modelos treinados no BODIES frequentemente igualaram ou superaram os treinados em SMPL, particularmente para mulheres, confirmando que o conjunto baseado em SUPR pode lidar melhor com formas corporais complexas mesmo em condições do mundo real.

O que isso significa para avatares futuros

Para um não-especialista, a mensagem principal é que este trabalho fornece tanto uma nova biblioteca rica de corpos digitais quanto evidências de que um modelo corporal mais detalhado pode melhorar a precisão com que máquinas reconstruem a forma humana. O BODIES oferece dezenas de milhares de exemplos padronizados que desenvolvedores podem usar para treinar sistemas por trás de provadores virtuais, personagens realistas para jogos e filmes e ferramentas médicas específicas para pacientes. Embora o estudo também mostre os limites de inferir detalhes corporais intrincados a partir de apenas duas vistas, ele aponta para substitutos digitais mais fiéis que combinam melhor com o tamanho e as proporções de pessoas reais.

Citação: 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

Palavras-chave: reconstrução 3D do corpo humano, avatares digitais, conjunto de dados corporais sintético, provador virtual, modelagem da forma corporal