BODIES：基于 SUPR 的人体形状参数与个体 3D 网格

为何数字身体复制品重要

从在线试衣到在虚拟现实中训练外科医生，许多技术都依赖于逼真的数字化身体版本。然而构建如此精细的 3D 化身仍然耗时且复杂，尤其是在需要精确体型与测量时更是困难。本研究引入了一个大型新数据集，旨在简化计算机从简单图像重建精确人体的过程，进而可能改善从虚拟试衣间到医疗模拟器的各类应用。

描述人体的新方法

目前大多数用于 3D 人体建模的系统基于一个流行标准 SMPL，该模型将人体视为由有限数值控制的单一可变形表面。尽管有用，SMPL 在面部、手和脚等细节方面表现不足，而且其训练数据并未覆盖真实人体形状的广泛多样性。一种更新的模型 SUPR 将人体分为多部分表示，且在超过一百万次扫描上进行了训练，包含极端体型以及头部、手和脚的详细记录。理论上，SUPR 应能更忠实地捕捉人体形状与运动，但由于缺乏基于该模型的大规模现成数据集，其应用一直有限。

构建 BODIES 数据集

为弥补这一空白，作者创建了 BODIES——一个使用 SUPR 模型定义的 84,000 个数字受试者的合成集合。每个受试者在简单的中性站姿下由一组控制身体形状的数值描述，另外还包括一个 3D 表面网格和两张显示正侧视图的图像。研究人员生成了男性与女性两类群体，并逐步增加使用的形状参数数量，从仅 10 个的紧凑描述到 300 个的详细描述。他们从类似于身高与体重在真实人群中分布的钟形统计分布中抽取这些数值，并去除极端值以避免不可能的身体形态。对每个受试者，他们保存了网格、形状数值、计算出的身高与体重以及标准化图像，并以便于其他团队将数据直接接入其机器学习流水线的方式组织这些内容。

测试身体重建的效果

接着团队检验了使用 SUPR 与 BODIES 是否确实能提升从图像重建 3D 身体的效果。他们以现有的三部分系统为起点：一个从正侧图像裁出人物轮廓的模块、一个将这些轮廓压缩为紧凑视觉特征的模块，以及一个将这些特征加上身高与体重转为形状参数与 3D 网格的最终模块。作者升级了图像处理步骤并将系统改造为使用 SUPR 而非 SMPL。在第一组测试中，他们比较了用基于旧 SMPL 的数据集训练该系统与用 BODIES 训练时，重建网格与原始网格之间的差距。总体上，使用 BODIES 和 SUPR 会降低误差，尤其在女性身体上更明显，表明更丰富的模型与更广泛的形状覆盖有助于系统学习更精确的形状。

多少形状细节有帮助

随后作者探讨了形状参数数量如何影响性能。直观上，更多参数应能让系统捕捉更细微的细节，但同时也使预测问题更困难。通过在使用 10 到 300 个形状参数的 BODIES 不同版本上进行训练与测试，研究者发现随着目标描述变得更详细，重建误差往往上升。仅凭两张轮廓图和少数测量值，系统难以确定由数百个形状设置允许的众多微小调整。然而，当他们考察在不同细节级别训练的模型跨各版本数据泛化表现时，中等或较高参数数量训练出的模型通常取得更好的平衡，能够在不对某一狭窄情形过度拟合的前提下，学习表示微妙的身体特征。

从虚拟人到真实扫描

最后，团队评估了在合成数据上训练的模型如何迁移到真实人体。他们使用了经过精心清理的 34 人 3D 扫描，生成正侧图像，并让分别在旧 SMPL 数据集与 BODIES 上训练的模型重建这些身体。他们通过比较身高、体重和关键围度来评估精度，并邀请志愿者对视觉相似度进行评分。总体而言，误差大于纯合成测试，反映了从计算机生成形状到现实世界复杂性的跃迁。尽管如此，受过 BODIES 训练的模型常常与或优于受 SMPL 训练的模型，尤其在女性样本上，这证实了基于 SUPR 的数据集在真实条件下也能更好地处理复杂体型。

对未来化身的意义

对非专业读者而言，主要结论是这项工作既提供了一个丰富的数字身体库，也证明了更详细的身体模型能提升机器对人体形状的重建精度。BODIES 提供了数万份标准化示例，开发者可用来训练虚拟试衣间背后的系统、逼真的游戏与影视角色，以及针对个体患者的医疗工具。研究同时指出，仅凭两视图推断复杂体态的局限，但也指向更能忠实反映真实人物尺寸与比例的数字替身的发展方向。

引用: 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

关键词: 3D 人体重建, 数字化身, 合成身体数据集, 虚拟试穿, 身体形状建模