BODIES: параметр формы тела и 3D-сети индивидуумов на основе SUPR

Зачем нужны цифровые двойники тела

От виртуальной примерки одежды до обучения хирургов в виртуальной реальности — многие технологии сейчас опираются на реалистичные цифровые версии наших тел. Тем не менее создание таких детализированных 3D-аватаров по-прежнему остаётся медленным и сложным, особенно когда критически важны точная форма тела и измерения. В этом исследовании представлен большой новый набор данных, призванный упростить компьютерам восстановление точных человеческих тел по простым изображениям, что потенциально улучшит всё — от виртуальных примерочных до медицинских симуляторов.

Новый способ описания человеческого тела

Большинство современных систем моделирования людей в 3D строится вокруг популярного стандарта SMPL, который рассматривает тело как единую деформируемую поверхность, управляемую ограниченным набором параметров. Хотя SMPL удобен, он испытывает трудности с тонкими деталями, такими как лицо, руки и ступни, и был обучен на данных, которые не полностью покрывают огромное разнообразие реальных форм людей. Новая модель SUPR представляет тело по частям и была обучена на более чем миллионе сканов, включая экстремальные типы тел и подробные записи головы, рук и ступней. В принципе SUPR должна точнее отражать форму и движения человека, но она мало использовалась, потому что не существовало крупных готовых наборов данных на её основе.

Создание набора данных BODIES

Чтобы устранить этот пробел, авторы создали BODIES — синтетическую коллекцию из 84 000 цифровых субъектов, определённых с помощью модели SUPR. Каждый субъект описан в простой нейтральной стоячей позе набором численных значений, управляющих формой тела, а также 3D-поверхностной сеткой и двумя изображениями — фронтальным и боковым. Исследователи сгенерировали отдельные популяции мужчин и женщин, постепенно увеличивая число используемых параметров формы — от компактного описания с 10 чисел до детального с 300. Они брали эти значения из колоколообразного статистического распределения, аналогичного распределению роста и веса в реальных популяциях, затем отсекали крайности, чтобы избежать невозможных тел. Для каждого субъекта они сохраняли сетку, значения формы, вычисленные рост и вес и стандартизированные изображения, организовав всё так, чтобы другие команды могли напрямую подключать данные к своим конвейерам машинного обучения.

Проверка качества восстановления тел

Далее команда проверила, действительно ли использование SUPR и набора BODIES улучшает восстановление 3D-тел по изображениям. Они взяли существующую трёхчастную систему: модуль, который вырезает контур человека на фронтальных и боковых изображениях, модуль, сжимающий эти контуры в компактные визуальные признаки, и финальный модуль, который переводит эти признаки вместе с ростом и весом в числовые параметры формы и 3D-сетку. Авторы улучшили этапы обработки изображений и адаптировали систему для работы с SUPR вместо SMPL. В первом круге тестов они сравнили обучение этой системы на старом наборе данных на базе SMPL и на BODIES, после чего измерили, насколько реконструированные сетки расходились с оригиналами. Использование BODIES и SUPR в целом снижало ошибки, особенно для женских тел, что указывает на то, что более богатая модель и более широкое покрытие форм помогают системе лучше обучаться точным формам.

Сколько деталей формы полезно

Затем авторы исследовали, как число параметров формы влияет на качество. Интуитивно, больше параметров должно позволять системе захватывать более тонкие детали, но при этом усложняется задача предсказания. Обучая и тестируя на версиях BODIES с 10 до 300 параметров формы, исследователи обнаружили, что погрешности восстановления обычно растут по мере увеличения детализации целевого описания. Имея в распоряжении только два силуэта и несколько измерений, система с трудом фиксирует множество мелких корректировок, допускаемых сотнями параметров формы. Тем не менее при оценке того, как модели, обученные с разной степенью детализации, обобщаются на все версии набора данных, модели, обученные на среднем или более высоком числе параметров, часто находили лучший баланс — они научились представлять тонкие особенности тела, не переобучаясь слишком сильно на одном узком случае.

От виртуальных людей к реальным сканам

Наконец команда проверила, как обучение на синтетических данных переносится на реальных людей. Они использовали тщательно очищенные 3D-сканы 34 человек, сгенерировали фронтальные и боковые изображения и попросили модели, обученные либо на старом наборе SMPL, либо на BODIES, восстановить эти тела. Точность оценивали по сравнению ростов, весов и ключевых окружностей, а также по оценкам визуального сходства, поставленным добровольцами. В целом ошибки были больше, чем в чисто синтетических тестах, что отражает разрыв между сгенерированными формами и «грязной» реальностью. Тем не менее модели, обученные на BODIES, часто соответствовали или превосходили обученные на SMPL, особенно для женщин, подтверждая, что набор данных на базе SUPR лучше справляется со сложными формами тела даже в реальных условиях.

Что это значит для будущих аватаров

Для неспециалиста главный вывод таков: эта работа предоставляет как новую богатую библиотеку цифровых тел, так и доказательства того, что более детализированная модель тела может повысить точность машинного восстановления человеческой формы. BODIES предлагает десятки тысяч стандартизированных примеров, которые разработчики могут использовать для обучения систем, стоящих за виртуальными примерочными, реалистичными игровыми и киношными персонажами и медицинскими инструментами, ориентированными на пациента. Хотя исследование также показывает пределы вывода тонких деталей тела по лишь двум видам, оно указывает путь к более верным цифровым двойникам, которые лучше соответствуют размерам и пропорциям реальных людей.

Цитирование: 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

Ключевые слова: 3D-восстановление человеческого тела, цифровые аватары, синтетический набор данных тел, виртуальная примерка, моделирование формы тела