ResiHMR：面向肢体缺失个体的残肢感知单图像三维人体网格恢复
计算机视觉与模式识别
2026-05-01 v1
摘要
单图像人体网格恢复提供了一种紧凑的、以人为中心的三维表示，可支持分析、动画、增强现实和虚拟现实、康复以及人机交互。然而，主流系统强加了完整肢体的先验假设，在肢体缺失者身上表现不佳，因为固定拓扑模型无法表示残肢。在这项工作中，我们提出了 ResiHMR，一个面向单图像三维人体建模的残肢感知框架。ResiHMR 采用残肢关键点，并引入了两个组件：(i) 一个拓扑自适应的残差锚点-因子优化模块，将估计约束到解剖学有效结构的可观测运动学子图上；(ii) 一个基于几何的残肢重建模块，用于估计残肢边界和凸形肢体末端几何。这些组件引入了拓扑感知优化和显式末端几何，作为非标准肢体解剖结构下人体网格恢复的工具。与固定拓扑中的关节移除方法不同，ResiHMR 显式地重建残肢表面，并使优化与肢体缺失拓扑对齐，从而更好地匹配假肢生物力学和实际使用。据我们所知，这是首个显式重建残肢表面并对肢体缺失个体执行拓扑自适应优化的单图像 HMR 系统。在一个精心构建的真实世界肢体缺失图像数据集上，ResiHMR 在 SMPLify-X 和 HSMR 两种骨干网络下均提高了重建质量，使用 SMPLify-X 时将完整关节的二维 MPJPE 从 41.32 降至 37.40，使用 HSMR 时将残肢的二维 MPJPE 从 73.61 降至 23.19。
引用
@article{arxiv.2604.28025,
title = {ResiHMR: Residual-Limb Aware Single-Image 3D Human Mesh Recovery for Individuals with Limb Loss},
author = {Jiaying Ying and Heming Du and Kaihao Zhang and Sean M. Tweedy and Xin Yu},
journal= {arXiv preprint arXiv:2604.28025},
year = {2026}
}
备注
Highlight in CVPR 2026. Project at https://akitaraphael.github.io/ResiHMR/