BODIES: SUPR’e dayalı Bireylerin vücut şekli parametresi ve 3B ağları

Neden dijital vücut çiftleri önemli

Çevrimiçi kıyafet denemekten cerrahların sanal gerçeklikte eğitimine kadar pek çok teknoloji artık bedenlerimizin gerçekçi dijital versiyonlarına dayanıyor. Yine de böyle ayrıntılı 3B avatarlar oluşturmak hâlâ yavaş ve zorlu; özellikle tam vücut şekli ve ölçülerin önemli olduğu durumlarda. Bu çalışma, bilgisayarların basit görüntülerden doğru insan vücutlarını yeniden inşa etmesini kolaylaştırmak üzere tasarlanmış büyük yeni bir veri kümesini tanıtıyor; bu da sanal prova odalarından tıbbi simülatörlere kadar pek çok alanı geliştirebilir.

İnsanı tanımlamanın yeni bir yolu

Mevcut 3B insan modelleme sistemlerinin çoğu, insan vücudunu sınırlı bir sayı kümesiyle kontrol edilen tek bir deformable yüzey olarak ele alan popüler bir standart olan SMPL etrafında kuruludur. Yararlı olsa da SMPL yüz, eller ve ayaklar gibi ince ayrıntılarla zorlanır ve eğitim verisi gerçek insan şekillerinin büyük çeşitliliğini tam olarak kapsamaz. SUPR adlı daha yeni bir model, vücudu parçalara ayırarak temsil eder ve uç vücut tipleri ile baş, eller ve ayakların ayrıntılı kayıtları da dahil olmak üzere bir milyondan fazla tarama üzerinde eğitilmiştir. Teoride SUPR insan şekli ve hareketini daha sadık şekilde yakalamalıdır, ancak üzerine kurulmuş büyük, kullanıma hazır veri kümeleri olmadığı için pek kullanılmamıştır.

BODIES veri kümesini oluşturmak

Bu boşluğu kapatmak için yazarlar, SUPR modeli kullanılarak tanımlanan 84.000 dijital denekten oluşan sentetik BODIES koleksiyonunu oluşturdu. Her denek, nötr bir ayakta duruşta vücut şeklini kontrol eden bir dizi sayısal değerle, ayrıca bir 3B yüzey ağı ve ön ve yan görünümleri gösteren iki görüntüyle tanımlanır. Araştırmacılar ayrı erkek ve kadın nüfusları üretti, kullanılan şekil değerlerinin sayısını giderek artırdılar; 10 sayıyla sıkıştırılmış bir tanımdan 300 sayıya kadar detaylı bir tanıma kadar. Bu değerleri, boy ve kilo gibi gerçek nüfuslarda görülen şekilde çan eğrisi benzeri istatistiksel dağılımlardan çektiler ve imkânsız vücutları önlemek için uç değerleri kestiler. Her denek için ağı, şekil değerlerini, hesaplanmış boy ve kiloyu ve standartlaştırılmış görüntüleri depoladılar ve diğer ekiplerin veriyi kendi makine öğrenimi boru hatlarına doğrudan takabilmesi için her şeyi düzenlediler.

Vücutların ne kadar iyi yeniden inşa edildiğini test etme

Ekip ardından SUPR ve BODIES veri kümesinin görüntülerden 3B vücutların yeniden yapımını gerçekten iyileştirip iyileştirmediğini sordu. Var olan üç parçalı bir sistemden başladılar: bir modül kişinin ön ve yan görüntülerinden siluetini keser, bir modül bu siluetleri kompakt görsel özelliklere sıkıştırır ve son modül bu özellikleri, artı boy ve kiloyu, vücut şekli sayılarına ve 3B ağa dönüştürür. Yazarlar görüntü işleme adımlarını yükseltti ve sistemi SMPL yerine SUPR ile çalışacak şekilde uyarladı. İlk testlerinde, bu sistemi eski bir SMPL-tabanlı veri kümesi üzerinde eğitmek ile BODIES üzerinde eğitmek arasında karşılaştırma yaptılar ve yeniden inşa edilen ağların orijinallerinden ne kadar uzak olduğunu ölçtüler. Genel olarak BODIES ve SUPR kullanmak hataları azalttı, özellikle kadın vücutlarında; bu da daha zengin modelin ve daha geniş şekil kapsamının sistemin daha doğru şekilleri öğrenmesine yardımcı olduğunu düşündürüyor.

Kaç şekil detayı yararlı

Ardından yazarlar şekil değerlerinin sayısının performansı nasıl etkilediğini araştırdı. Sezgisel olarak, daha fazla sayı sistemin daha ince ayrıntıları yakalamasına izin vermeli, ancak tahmin problemini de zorlaştırır. 10 ile 300 şekil değeri kullanılan BODIES sürümleri arasında eğitim ve test yaparak, araştırmacılar hedef tanım daha detaylı hale geldikçe yeniden yapım hatalarının eğilimle arttığını buldu. Sadece iki siluet ve birkaç ölçüye dayanan bir durumda, sistem yüzlerce şekil ayarının izin verdiği birçok küçük ayarı kesinleştirmekte zorlanıyor. Ancak farklı ayrıntı düzeylerinde eğitilmiş modellerin veri kümesinin tüm sürümleri arasında ne kadar iyi genelleştiğine baktıklarında, orta veya yüksek sayıda şekil değeriyle eğitilmiş olanların genellikle daha iyi bir denge kurduğu; çok ince vücut özelliklerini temsil etmeyi öğrenirken bir dar duruma aşırı uymaktan kaçındıkları görüldü.

Sentetik insanlardan gerçek taramalara

Son olarak ekip, sentetik veriler üzerinde eğitmenin gerçek insanlara nasıl aktarıldığını test etti. Temizlenmiş 34 kişinin 3B taramalarını kullandılar, ön ve yan görüntüler ürettiler ve ya eski SMPL veri kümesiyle ya da BODIES ile eğitilmiş modellerden bu vücutları yeniden inşa etmelerini istediler. Doğruluğu boy, kilo ve önemli çevre ölçülerini karşılaştırarak ve ayrıca gönüllülerden görsel benzerlik puanlaması isteyerek değerlendirdiler. Genel olarak hatalar tamamen sentetik testlerden daha büyüktü; bu, bilgisayar üretimi şekillerden karmaşık gerçekliğe geçişin bir yansıması. Yine de BODIES ile eğitilmiş modeller genellikle SMPL ile eğitilmiş olanlara kıyasla eşleşti veya daha iyi performans gösterdi, özellikle kadınlar için; bu da SUPR tabanlı veri kümesinin karmaşık vücut formlarını gerçek dünya koşullarında bile daha iyi ele alabildiğini doğruluyor.

Gelecek avatarlar için bunun anlamı

Uzman olmayan biri için ana mesaj, bu çalışmanın hem yeni, zengin bir dijital vücut kütüphanesi sağladığı hem de daha detaylı bir vücut modelinin makinelerin insan şeklini ne kadar doğru yeniden oluşturduğunu iyileştirebileceğine dair kanıt sunduğudur. BODIES, geliştiricilerin sanal prova odalarının, gerçekçi oyun ve film karakterlerinin ve hastaya özgü tıbbi araçların ardındaki sistemleri eğitmek için kullanabileceği on binlerce standardize örnek sunar. Çalışma ayrıca sadece iki bakışla karmaşık vücut ayrıntılarını çıkarmanın sınırlılıklarını gösterse de, gerçek insanların boyut ve oranlarıyla daha iyi eşleşen daha sadık dijital ikameler yönünde bir işaret niteliğindedir.

Atıf: 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

Anahtar kelimeler: 3B insan vücudu yeniden yapımı, dijital avatarlar, sentetik vücut veri kümesi, sanal deneme, vücut şekli modelleme