论文页面 - PoseShield: 面向人体自碰撞解决的神经碰撞场

来源：https://huggingface.co/papers/2606.29686

摘要

PoseShield 通过约束优化和 Eikonal 正则化，在姿态空间中施加神经碰撞约束，解决了基于 SMPL 的人体姿态估计中的自碰撞问题。

自碰撞（https://huggingface.co/papers?q=Self-collision）仍是基于 SMPL（https://huggingface.co/papers?q=SMPL） 的人体姿态估计（https://huggingface.co/papers?q=pose%20estimation） 和运动生成（https://huggingface.co/papers?q=motion%20generation） 中一个持续存在的挑战。在极端姿态或随机运动合成下，生成的网格常常出现自穿透现象，导致物理上不合理的结果。我们提出了 PoseShield，这是一种直接在 SMPL（https://huggingface.co/papers?q=SMPL） 姿态空间（https://huggingface.co/papers?q=pose%20space）中定义的神经碰撞约束（https://huggingface.co/papers?q=neural%20collision%20constraint）。我们将碰撞校正描述为一个约束优化（https://huggingface.co/papers?q=constrained%20optimization）问题，并将学习到的约束与 Eikonal 方程（https://huggingface.co/papers?q=Eikonal%20equation）联系起来。强制实施 Eikonal 正则化可确保碰撞边界附近梯度非零，从而提高优化过程的数值稳定性和鲁棒性。与先前在网格空间操作或依赖启发式惩罚的方法不同，我们的方法直接在低维人体姿态空间中运行，且具有理论基础。同一学习到的约束可扩展到人体运动序列，提供一种与生成器无关的事后碰撞校正器，无需重新训练底层运动模型。在新构建的 SMPL（https://huggingface.co/papers?q=SMPL） 姿态基准上的实验表明，我们的方法达到了 95.8% 的成功率，并超越了最先进的基线方法。

查看 arXiv 页面（https://arxiv.org/abs/2606.29686） 查看 PDF（https://arxiv.org/pdf/2606.29686） GitHub（https://github.com/lzhyu/PoseShield） 添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.29686）

在您的 agent 中获取此论文：

hf papers read 2606\.29686

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2606.29686 即可从此页面链接。

引用此论文的数据集0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.29686 即可从此页面链接。

引用此论文的 Spaces0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2606.29686 即可从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到收藏集（https://huggingface.co/new-collection） 即可从此页面链接。