Technische Samenvatting: PoseShield: Neurale Collisievelden voor de Resolutie van Zelfcollisie bij Mensen

Probleemstelling

Zelfcollisie blijft een hardnekkige uitdaging in SMPL-gebaseerde menselijke pose-estimatie en bewegingsgeneratie. Onder extreme articulaties of stochastische bewegingssynthese vertonen gegenereerde meshes frequent zelfpenetraties, wat leidt tot fysiek onwaarschijnlijke resultaten. Hoewel klassieke methoden voor collisiebehandeling bestaan binnen geometrische verwerking en fysieke simulatie, opereren deze doorgaans direct in de mesh-ruimte door de ruwe vertexposities te optimaliseren. Deze benaderingen zijn niet van nature compatibel met op leren gebaseerde SMPL-pipelines waarbij de optimalisatievariabele de pose-parameter $\theta$ is in plaats van de mesh-vertices. Klassieke methoden vereisen bovendien vaak een collisievrije referentieconfiguratie, die over het algemeen niet beschikbaar is in moderne pose-voorspellingspipelines. Bestaande leergebaseerde benaderingen vertrouwen vaak op heuristische straffen of zachte beperkingen die de theoretische regulariteitsvoorwaarden missen die vereist zijn voor robuuste, gradiëntgebaseerde geoptimaliseerde beperkingen.

Methodologie

De auteurs stellen PoseShield voor, een neurale collisiebeperking die direct in de laagdimensionale SMPL-pose-ruimte is gedefinieerd. De kern van de methodologie omvat het formuleren van collisierevolutie als een beperkt optimalisatieprobleem en het verbinden van de geleerde beperking met de Eikonal-vergelijking.

1. Probleemformulering

Gegeven een zelfcolliderende SMPL-configuratie $(\beta, \theta_0)$, is het doel om een gecorrigeerde pose $\theta$ te vinden die de afstand tot de oorspronkelijke pose minimaliseert terwijl een collisievrije beperking wordt voldaan:
$$\theta^\star = \arg \min_{\theta} d_{\mathrm{SMPL}}(\theta, \theta_0) \quad \text{onderworpen aan} \quad \iota(\mathcal{M}(\beta, \theta)) = +1$$
waarbij $\iota$ een binaire collisie-indicator is. Omdat $\iota$ niet differentieerbaar is, introduceren de auteurs een surrogaat, leerbare neurale beperkingsfunctie $g(\theta)$, waardoor het probleem wordt getransformeerd naar:
$$\theta^\star = \arg \min_{\theta} d_{\mathrm{SMPL}}(\theta, \theta_0) \quad \text{onderworpen aan} \quad g(\theta) \ge C_l$$

2. Theoretische Fundering: Eikonal Regularisatie

Voor gradiëntgebaseerde solvers (bijv. SLSQP, Augmented Lagrangian) om betrouwbaar te convergeren, moet de beperkingsfunctie voldoen aan de Linear Independence Constraint Qualification (LICQ), wat een niet-verdwijnende gradiënt nabij de beperkingsgrens vereist. De auteurs leggen een verband tussen deze vereiste en de Eikonal-vergelijking.

Ze stellen voor om $g(\theta)$ te trainen om een Signed Distance Function (SDF) te benaderen van de collisieboundary in de pose-ruimte. Door tijdens de training een Eikonal-regularisatieterm af te dwingen:
$$\mathcal{L}_{\text{grad}} = \mathbb{E}_{\theta \sim \Omega} \left[ \left| \|\nabla_{\theta} g(\theta)\| - 1 \right| \right]$$
zorgt de methode ervoor dat $\|\nabla g\|$ overal in de pose-ruimte ver weg blijft van nul. Theoretisch voldoet dit globaal aan de LICQ, wat convergentiegaranties biedt voor het optimalisatieproces. De auteurs bewijzen dat het minimaliseren van deze loss de volumes van de pose-ruimte regio's begrenst waar de LICQ faalt.

3. Training en Optimalisatie

• Trainingsdoel: Het netwerk wordt getraind met een combinatie van teken-supervisie (zorgen dat $g(\theta) > 0$ voor collisievrije poses en $g(\theta) < 0$ voor colliderende poses) en de Eikonal-loss. Een Temporal Difference (TD) variant van de gradiënt-loss wordt ook geïntroduceerd om de trainingsstabiliteit te verbeteren.
• Active Learning: Om de beslissingsgrens nauwkeurig te vangen, gebruiken de auteurs een active learning-strategie die de trainingsset incrementeel uitbreidt met samples nabij de zero-level set van $g(\theta)$.
• Motion Sequence Extensie: De geleerde beperking wordt uitgebreid naar menselijke bewegingssequenties. In plaats van de onderliggende bewegingsgenerator opnieuw te trainen, fungeert PoseShield als een generator-agnostische post-hoc corrector. Het optimaliseert de bewegingssequentie om aan de collisiebeperking te voldoen terwijl de bewegingsgetrouwheid behouden blijft via een afstandmetriek die pose-parameters, gewrichtsposities en temporele snelheid bevat.

Belangrijkste Bijdragen

1. Geprincipeerd Framework: Het artikel formuleert de resolutie van zelfcollisie in de SMPL-pose-ruimte als een beperkt optimalisatieprobleem met een leerbare differentieerbare beperking, wat theoretische convergentiegaranties biedt onder specifieke assumpties.
2. PoseShield: Een neurale collisiebeperking getraind met Eikonal-regularisatie. De auteurs bewijzen dat dit trainingsdoel kwantitatief de volumes begrenst van regio's waar de LICQ faalt, waarmee de link tussen trainingsnauwkeurigheid en solver-betrouwbaarheid wordt gelegd.
3. Generator-Agnostische Correctie: De methode dient als een post-hoc corrector voor menselijke bewegingssequenties zonder de onderliggende bewegingsmodellen opnieuw te hoeven trainen, wat een temporeel consistente collisieresolutie mogelijk maakt.
4. Benchmarking: De auteurs introduceren de Humans with Collisions (HwC) dataset, die bijna 931k SMPL-poses met zelfcollisies bevat, om benchmarking te faciliteren.

Experimentele Resultaten

Experimenten werden uitgevoerd op de HwC-dataset en de PROX-dataset, waarbij PoseShield werd vergeleken met baselines inclusief Torch-mesh-isect, een classifier-gebaseerde baseline, COAP en VolumetricSMPL.

• Succespercentage (SCC): PoseShield behaalde een succespercentage van 95,8% op de HwC-dataset, waarmee het de beste baseline (COAP op 44,6%) aanzienlijk verslaat.
• Penetratiediepte Reductie (PDR): De methode behaalde een PDR van 98,2%, wat wijst op een zeer effectieve verwijdering van zelfintersecties.
• Geometrische Getrouwheid: PoseShield behield een lage Mean Vertex Distance (MVD) van 0,059, wat aantoont dat het collisies oplost terwijl de gecorrigeerde pose dicht bij de oorspronkelijke input blijft.
• Bewegingssequenties: In taken voor bewegingscorrectie bood PoseShield de beste balans tussen collisieverwijdering en bewegingskwaliteit, waarbij het de COAP-gebaseerde benaderingen overtrof in termen van residuele penetratiediepte en bewegingsartefacten (bijv. voet-skating).

Betekenis en Claims

Het artikel claimt dat PoseShield een theoretisch onderbouwde oplossing biedt voor een hardnekkig probleem in menselijke modellering. Door de behandeling van collisies te koppelen aan de Eikonal-vergelijking, garanderen de auteurs de numerieke stabiliteit en robuustheid van het optimalisatieproces, een eigenschap die vaak ontbreekt in heuristische penalty-gebaseerde methoden. Het vermogen om direct in de laagdimensionale pose-ruimte te opereren, in plaats van in de mesh-ruimte, maakt een naadloze integratie met leergebaseerde pipelines mogelijk. Bovendien maakt het generator-agnostische karakter van de methode het mogelijk om te fungeren als een universele verfijningsmodule voor diverse SMPL-gebaseerde scenario's, van statische pose-correctie tot complexe bewegingssynthese, zonder de onderliggende generatieve modellen te wijzigen.