基于神经点的人体在复杂衣物下的形状建模

SMPL 等参数化 3D 人体模型仅表示近乎裸身的人体，且由于具有固定的网格拓扑与分辨率，难以扩展到衣物建模。为克服这些局限，近期工作使用隐式曲面或点云来建模着装人体。尽管不受拓扑限制，此类方法仍难以建模明显偏离人体的衣物，如裙子和连衣裙。这是因为它们依赖人体通过将着装表面重姿态化到参考形状来规范化。遗憾的是，当衣物远离人体时，该过程定义不良。此外，它们使用线性混合蒙皮来对人体姿态化，且蒙皮权重绑定于底层身体部位。相比之下，我们在局部坐标空间中建模衣物形变，无需规范化。我们还放宽蒙皮权重，让多个身体部位影响表面。具体而言，我们用一个粗阶段扩展基于点的方法，以学习得到的与姿态无关的“粗形状”替代规范化，从而捕捉如裙子般衣物的粗略表面几何。随后我们使用一个网络从粗表示推断线性混合蒙皮权重和依赖于姿态的位移来进行细化。该方法对贴合与偏离人体的衣物均表现良好。我们通过从样本中学习特定人物化身来展示方法实用性，并展示其如何在新姿态与运动中动画化。我们还表明该方法可直接从带缺失数据的原始扫描中学习，极大简化了创建逼真化身的过程。代码供研究使用，见 {\small\url{https://qianlim.github.io/SkiRT}}。