Paper page - SAM 3D Body: 鲁棒的全人体网格恢复

来源：https://huggingface.co/papers/2602.15989 作者：

,

,

,

,

,

,

,

,

,

,

,

,

摘要

一种基于新颖参数化表示和编码器-解码器架构的可提示3D人体网格恢复模型，在多种条件下实现了最先进的性能与强大的泛化能力。

我们推出了 SAM 3D Body (3DB)，一种用于单图像全人体3D网格恢复（https://huggingface.co/papers?q=3D%20human%20mesh%20recovery）(HMR) 的可提示模型，展示了最先进的性能，在多种野外条件下具有强大的泛化能力和一致的准确性。3DB 能估计身体、脚和手的人体姿态。它是首个使用新型参数化网格表示（https://huggingface.co/papers?q=parametric%20mesh%20representation）——动量人体骨架（https://huggingface.co/papers?q=Momentum%20Human%20Rig）(MHR) 的模型，该表示将骨骼结构与表面形状解耦。3DB 采用编码器-解码器架构（https://huggingface.co/papers?q=encoder-decoder%20architecture），并支持辅助提示（https://huggingface.co/papers?q=auxiliary%20prompts），包括2D关键点（https://huggingface.co/papers?q=2D%20keypoints）和掩码（https://huggingface.co/papers?q=masks），实现了类似 SAM 系列模型的用户引导推理。我们通过一个多阶段标注流程推导出高质量的标注，该流程结合了手动关键点标注、可微优化（https://huggingface.co/papers?q=differentiable%20optimization）、多视图几何（https://huggingface.co/papers?q=multi-view%20geometry）和密集关键点检测（https://huggingface.co/papers?q=dense%20keypoint%20detection）。我们的数据引擎（https://huggingface.co/papers?q=data%20engine）高效地选择和加工数据以确保数据多样性，收集了不常见的姿态和罕见的成像条件。我们提出了一个新的评估数据集（https://huggingface.co/papers?q=evaluation%20dataset），按姿态和外观类别组织，能够对模型行为进行细致分析。我们的实验展示了 superior 的泛化能力，并在定性用户偏好研究（https://huggingface.co/papers?q=qualitative%20user%20preference%20studies）和传统定量分析（https://huggingface.co/papers?q=quantitative%20analysis）中相比先前方法有显著改进。3DB 和 MHR 均为开源。

查看 arXiv 页面 (https://arxiv.org/abs/2602.15989)查看 PDF (https://arxiv.org/pdf/2602.15989)项目页面 (https://ai.meta.com/research/sam3d/)GitHub3.11k (https://github.com/facebookresearch/sam-3d-body)加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2602.15989)

在您的代理中获取此论文：

hf papers read 2602.15989

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

引用此论文的模型0

无模型链接至此论文

请在模型 README.md 中引用 arxiv.org/abs/2602.15989 以在此页面建立链接。

引用此论文的数据集0

无数据集链接至此论文

请在数据集 README.md 中引用 arxiv.org/abs/2602.15989 以在此页面建立链接。

引用此论文的 Spaces0

无 Space 链接至此论文

请在 Space README.md 中引用 arxiv.org/abs/2602.15989 以在此页面建立链接。

包含此论文的收藏2