SKEL-CF：基于粗到细的生物力学骨架与表面网格恢复
计算机视觉与模式识别
2026-03-17 v5
摘要
参数化3D人体模型如SMPL已推动了人体姿态和形状估计方面的显著进展，但其简化的运动学限制了生物力学的真实性。最近提出的SKEL模型通过重新绑定SMPL骨架来实现解剖学准确的骨架。然而，直接估计SKEL参数仍然具有挑战性，由于训练数据有限、视角歧义以及人体关节的内在复杂性。我们引入SKEL-CF，一个用于SKEL参数估计的粗到细框架。SKEL-CF采用基于Transformer的编码器-解码器架构，其中编码器预测粗糙的相机和SKEL参数，解码器在后续层中逐步细化这些参数。为确保解剖学一致的监督，我们将现有的基于SMPL的数据集4DHuman转换为SKEL对齐版本4DHuman-SKEL，为SKEL估计提供高质量的训练数据。此外，为缓解深度和尺度的歧义，我们在SKEL-CF管道中显式地引入了相机建模，并在不同视角下证明了其重要性。广泛的实验验证了所提出设计的有效性。在具有挑战性的MOYO数据集上，SKEL-CF实现了85.0 MPJPE / 51.4 PA-MPJPE，显著优于之前的SKEL-based最新方法HSMR（104.5 / 79.6）。这些结果将SKEL-CF确立为一个可扩展且解剖学忠实的框架，用于人体运动分析，促进计算机视觉技术在生物力学相关分析中的应用。我们的实现已在项目页面发布：https://pokerman8.github.io/SKEL-CF/。
引用
@article{arxiv.2511.20157,
title = {SKEL-CF: Coarse-to-Fine Biomechanical Skeleton and Surface Mesh Recovery},
author = {Da Li and Jiping Jin and Xuanlong Yu and Wei Liu and Xiaodong Cun and Kai Chen and Rui Fan and Jiangang Kong and Xi Shen},
journal= {arXiv preprint arXiv:2511.20157},
year = {2026}
}
备注
Project page: https://pokerman8.github.io/SKEL-CF/