可学习的SMPLify：无需优化的人类姿态逆向运动学神经解
计算机视觉与模式识别
2025-08-20 v1
摘要
在3D人体姿态和形状估计中，SMPLify是一种稳健的基线方法，通过迭代优化求解逆向运动学（IK）。然而，其高计算成本限制了实际应用。近年来，跨领域的进展表明，用数据驱动的神经网络取代迭代优化可显著提升运行时性能而不牺牲精度。基于这一趋势，我们提出可学习的SMPLify，一种神经框架，用单次回归模型取代SMPLify中的迭代拟合过程。我们的框架针对神经IK的两个核心挑战——数据构建和泛化——进行设计。为实现有效训练，我们提出了一种时间抽样策略，从顺序帧中构建初始化-目标配对。为提高对不同运动和未见姿态的泛化能力，我们提出了人类中心归一化方案和残差学习，以缩小解的空间。可学习的SMPLify支持顺序推理和即插式后处理，以细化现有基于图像的估计器。广泛的实验表明，我们的方法建立为实用且简单的方法：相较于SMPLify，实现了接近200倍的运行时性能提升，良好地泛化到未见的3DPW和RICH数据集，并以模型不可知的方式作为插件工具在LucidAction上运行。代码已公开。
引用
@article{arxiv.2508.13562,
title = {Learnable SMPLify: A Neural Solution for Optimization-Free Human Pose Inverse Kinematics},
author = {Yuchen Yang and Linfeng Dong and Wei Wang and Zhihang Zhong and Xiao Sun},
journal= {arXiv preprint arXiv:2508.13562},
year = {2025}
}