ETCH-X：通过可组合数据集提升贴身人体的表达性与鲁健性
计算机视觉与模式识别
2026-05-07 v3
摘要
人体贴身是将参数化人体模型（如 SMPL）与穿戴人体的原始 3D 点云对齐的关键步骤，为动画和纹理等下游任务奠定基础。有效的贴身方法应在局部具有表达性——捕捉手部和面部细节——同时在全局上对真实世界挑战具有鲁健性，包括服装动态、姿态变化以及噪声或不完整输入。现有方法通常仅在上述两个方面中的一个方面取得佳绩，缺乏一站式解决方案。我们将 ETCH 升级为 ETCH-X，采用紧致感知的贴身范式过滤服装动态（“undress”），通过 SMPL-X 提升表达性，并将显式稀疏标记（对部分数据高度敏感）替换为隐式稠密对应（“dense fit”），实现更稳健、更细粒度的人体贴身。我们解耦的“undress”和“dense fit”模块化阶段 enables 在可组合数据源上进行独立且可扩展的训练，包括多样化模拟服装（CLOTH3D）、大规模全身动作（AMASS）以及细粒度手部手势（InterHand2.6M），提升服装外观的泛化能力和姿态鲁健性。我们的 approach 在 diverse clothing、姿态和输入完整性水平下实现稳健且具有表达性的贴身，显著优于 ETCH 在两个方面：1）在见数据上，如 4D-Dress（MPJPE-All，33.0%）和 CAPE（V2V-Hands，35.8%），以及 2）在未见数据上，如 BEDLAM2.0（MPJPE-All，80.8%；V2V-All，80.5%）。代码和模型将在 https://xiaobenli00.github.io/ETCH-X/ 上发布。
引用
@article{arxiv.2604.08548,
title = {ETCH-X: Robustify Expressive Body Fitting to Clothed Humans with Composable Datasets},
author = {Xiaoben Li and Jingyi Wu and Zeyu Cai and Siyuan Yu and Boqian Li and Yuliang Xiu},
journal= {arXiv preprint arXiv:2604.08548},
year = {2026}
}
备注
Page: https://xiaobenli00.github.io/ETCH-X/, Code: https://github.com/XiaobenLi00/ETCH-X