BODIES: kroppsformparameter och 3D-meshar av individer baserade på SUPR

Varför digitala kroppsdubblar spelar roll

Från att prova kläder online till att träna kirurger i virtuell verklighet förlitar sig många tekniker i dag på realistiska digitala versioner av våra kroppar. Att bygga sådana detaljerade 3D-avatarer är fortfarande långsamt och svårt, särskilt när exakt kroppsform och mått är viktiga. Denna studie introducerar ett stort nytt dataset som är utformat för att göra det enklare för datorer att rekonstruera exakta människokroppar från enkla bilder, vilket potentiellt kan förbättra allt från virtuella provrum till medicinska simulatorer.

Ett nytt sätt att beskriva människokroppen

De flesta nuvarande system för att modellera människor i 3D bygger på en populär standard kallad SMPL, som behandlar människokroppen som en enda deformbar yta styrd av en begränsad mängd tal. Även om SMPL är användbar har den svårt med fina detaljer som ansikten, händer och fötter, och den tränades på data som inte täcker den stora variationen av verkliga kroppstyper fullt ut. En nyare modell, kallad SUPR, representerar kroppen i delar och tränades på över en miljon skanningar, inklusive extrema kroppstyper och detaljerade uppgifter om huvud, händer och fötter. I princip bör SUPR fånga både form och rörelse mer troget, men den har använts lite eftersom det saknades stora, färdiga dataset byggda på den.

Att bygga BODIES-datasetet

För att täppa till denna lucka skapade författarna BODIES, en syntetisk samling av 84 000 digitala subjekt definierade med SUPR-modellen. Varje subjekt beskrivs i en enkel neutral stående pose av en uppsättning numeriska värden som styr kroppsformen, plus en 3D-ytmesh och två bilder som visar fram- och sidorvy. Forskarna genererade separata populationer för män och kvinnor och ökade successivt hur många formvärden som användes, från en kompakt beskrivning med 10 tal upp till en detaljerad med 300. De drog dessa värden från en klockformad statistisk fördelning liknande den som höjd och vikt följer i verkliga populationer, och beskärde extremer för att undvika omöjliga kroppar. För varje subjekt lagrade de meshen, formvärdena, beräknad längd och vikt samt standardiserade bilder, och de organiserade allt så att andra team kan koppla in datan direkt i sina egna maskininlärningspipelines.

Test av hur väl kropparna återskapas

Teamet undersökte sedan om användning av SUPR och BODIES-datasetet faktiskt förbättrar rekonstruktionen av 3D-kroppar från bilder. De utgick från ett befintligt system i tre delar: en modul som skär ut en persons silhuett från fram- och sidobilder, en modul som komprimerar dessa silhuetter till kompakta visuella egenskaper, och en slutlig modul som omvandlar dessa egenskaper, plus längd och vikt, till formtal och en 3D-mesh. Författarna uppgraderade bildbehandlingsstegen och anpassade systemet att fungera med SUPR istället för SMPL. I deras första tester jämförde de att träna detta system på ett äldre SMPL-baserat dataset respektive på BODIES och mätte sedan hur långt de rekonstruerade mesharna låg från originalen. Användning av BODIES och SUPR minskade generellt felen, särskilt för kvinnliga kroppar, vilket tyder på att den rikare modellen och den bredare formtäckningen hjälper systemet att lära sig mer exakta former.

Hur många formdetaljer är användbara

Nästa steg var att utforska hur antalet formvärden påverkar prestanda. Intuitivt borde fler tal låta systemet fånga finare detaljer, men de gör också prediktionsproblemet svårare. Genom att träna och testa över versioner av BODIES som använde 10 upp till 300 formvärden fann forskarna att rekonstruktionsfelen tenderar att öka när målbeskrivningen blir mer detaljerad. Med endast två silhuetter och ett fåtal mätvärden att förlita sig på har systemet svårt att bestämma de många små justeringar som hundratals forminställningar tillåter. När de däremot tittade på hur väl modeller tränade med olika detaljnivåer generaliserade över alla versioner av datasetet, fann de att de som tränades med en måttlig eller högre mängd formvärden ofta hittade en bättre balans och lärde sig att representera subtila kroppsdrag utan att överanpassa sig alltför mycket till en snäv situation.

Från virtuella människor till verkliga skanningar

Slutligen testade teamet hur träning på syntetiska data överförs till verkliga människor. De använde noggrant rensade 3D-skanningar av 34 personer, genererade fram- och sidobilder och bad modeller som tränats antingen på det äldre SMPL-datasetet eller på BODIES att rekonstruera dessa kroppar. De utvärderade noggrannheten genom att jämföra längder, vikter och viktiga omkretsmått, samt genom att låta frivilliga bedöma visuell likhet. Sammantaget var felen större än i rena syntetiska tester, vilket speglar hoppet från datorgenererade former till rörigare verklighet. Ändå motsvarade eller överträffade modeller tränade på BODIES ofta de som tränats på SMPL, särskilt för kvinnor, vilket bekräftar att SUPR-baserade datasetet bättre kan hantera komplexa kroppsformer även under verkliga förhållanden.

Vad detta betyder för framtida avatarer

För en icke-specialist är huvudbudskapet att detta arbete tillhandahåller både ett nytt rikt bibliotek av digitala kroppar och bevis för att en mer detaljerad kroppmodell kan förbättra hur noggrant maskiner rekonstruerar människokroppen. BODIES erbjuder tiotusentals standardiserade exempel som utvecklare kan använda för att träna system bakom virtuella provrum, realistiska spel- och filmkaraktärer samt patientanpassade medicinska verktyg. Samtidigt visar studien också begränsningarna i att utvinna intrikata kroppsdetaljer från bara två vyer, men den pekar mot mer trogna digitala ersättare som bättre matchar verkliga människors storlek och proportioner.

Citering: 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

Nyckelord: 3D-rekonstruktion av människokropp, digitala avatarer, syntetiskt kroppsdataset, virtuell provning, modellering av kroppsform