Anny-Fit：全年龄段人体网格恢复

从单张图像中恢复 3D 人体姿态与形状是以人为中心的视觉领域的基石，然而大多数方法假设对象为成年人且独立优化每个人。这些假设在现实世界的全年龄段场景中会失效，因为身体比例和深度必须被联合求解。我们提出 Anny-Fit，一个用于全年龄段 3D 人体网格恢复（HMR）的多人相机空间优化框架。与现有的逐人拟合方法不同，Anny-Fit 直接在相机坐标系中联合优化所有个体，强制实现全局空间一致性。我们方法的核心是使用多种形式的专家知识——包括度量深度图、实例分割、2D 关键点，以及由 VLM 衍生的语义属性（如年龄和性别）——每一项均从专门的现成网络中获取。这些互补的信号共同引导优化过程，约束了全年龄段场景中特有的深度-尺度模糊性。在多个多样化数据集上，Anny-Fit 持续提升了 2D 重投影精度（+13 至 16）、相对深度排序（+6 至 7）、3D 估计误差（-9 至 -29）以及形状估计（+25 至 +82），生成了更加连贯的场景。最后，我们表明，基于 VLM 的语义知识可以通过 Anny-Fit 在训练数据上生成的伪真值标注蒸馏到 HMR 模型中，使其能够学习具有语义意义的形状参数，同时提升 HMR 性能。我们的方法通过实现对成年数据训练的 HMR 流程在全年龄段谱系上的零样本适应而无需重训练，弥合了仅针对成年人与全年龄段建模之间的鸿沟。代码已公开于 https://github.com/naver/anny-fit。