技术摘要：PoseShield：用于人类自碰撞解决的神经碰撞场

问题陈述

自碰撞仍然是基于 SMPL 的人体姿态估计和运动生成领域中一个持久的挑战。在极端关节运动或随机运动合成下，生成的网格经常出现自穿透现象，导致物理上不合理的生成结果。虽然几何处理和物理模拟领域存在经典的碰撞处理方法，但这些方法通常直接在网格空间内通过优化原始顶点位置进行操作。这些方法与学习型 SMPL 流水线并不自然兼容，因为在这些流水线中，优化变量是姿态参数 $\theta$ 而非网格顶点。现有的学习型方法通常依赖于启发式惩罚或软约束，这些方法缺乏鲁棒的、基于梯度的约束优化所需的理论正则性条件。

方法论

作者提出了 PoseShield，一种直接定义在低维 SMPL 姿态空间中的神经碰撞约束。该方法的核心在于将碰撞解决建模为一个约束优化问题，并将学习到的约束与 Eikonal 方程相联系。

1. 问题建模

给定一个发生自碰撞的 SMPL 配置 $(\beta, \theta_0)$，目标是找到一个修正后的姿态 $\theta$，使得在满足无碰撞约束的同时，最小化与原始姿态的距离：
$$\theta^\star = \arg \min_{\theta} d_{\mathrm{SMPL}}(\theta, \theta_0) \quad \text{subject to} \quad \iota(\mathcal{M}(\beta, \theta)) = +1$$
其中 $\iota$ 是二值碰撞指示器。由于 $\iota$ 是不可微的，作者引入了一个代理的可学习神经约束函数 $g(\theta)$，将问题转化为：
$$\theta^\star = \arg \min_{\theta} d_{\mathrm{SMPL}}(\theta, \theta_0) \quad \text{subject to} \quad g(\theta) \ge C_l$$

2. 理论基础：Eikonal 正则化

为了使基于梯度的求解器（例如 SLSQP、增广拉格朗日法）能够可靠地收敛，约束函数必须满足线性无关约束规范 (LICQ)，这要求在约束边界附近具有非零梯度。作者建立了这一要求与 Eikonal 方程 之间的联系。

他们提出训练 $g(\theta)$ 来逼近姿态空间中碰撞边界的有符号距离函数 (SDF)。通过在训练期间强制执行 Eikonal 正则化 项：
$$\mathcal{L}_{\text{grad}} = \mathbb{E}_{\theta \sim \Omega} \left[ \left| \|\nabla_{\theta} g(\theta)\| - 1 \right| \right]$$
该方法确保 $\|\nabla g\|$ 在整个姿态空间内都远离零。从理论上讲，这满足了全局 LICQ，为优化过程提供了收敛保证。作者证明，最小化该损失可以限制 LICQ 失效的姿态空间区域体积。

3. 训练与优化

• 训练目标： 该网络通过结合符号监督（确保无碰撞姿态下 $g(\theta) > 0$，而碰撞姿态下 $g(\theta) < 0$）和 Eikonal 损失进行训练。此外，还引入了一种梯度损失的时序差分 (TD) 变体以提高训练稳定性。
• 主动学习： 为了精确捕捉决策边界，作者采用了一种主动学习策略，通过在 $g(\theta)$ 的零水平集附近的样本中增量扩充训练集。
• 运动序列扩展： 学习到的约束被扩展到人体运动序列。PoseShield 并不需要重新训练底层的运动生成器，而是作为一个与生成器无关的后验修正器（post-hoc corrector）。它优化运动序列以满足碰撞约束，同时通过包含姿态参数、关节位置和时序速度的距离度量来保持运动保真度。

核心贡献

1. 原则性框架： 本文将 SMPL 姿态空间中的自碰撞解决建模为一个带有可学习微分约束的约束优化问题，并在特定假设下提供了基于梯度的求解器的理论收敛保证。
2. PoseShield： 一种通过 Eikonal 正则化训练的神经碰撞约束。作者证明了该训练目标能够定量地限制 LICQ 失效区域的体积，从而将训练精度与求解器可靠性联系起来。
3. 生成器无关的修正： 该方法作为人体运动序列的后验修正器，无需重新训练底层的运动模型，从而实现时序一致的碰撞解决。
4. 基准测试： 作者引入了 Humans with Collisions (HwC) 数据集，其中包含近 93.1 万个具有自碰撞的 SMPL 姿态，用于便于基准测试。

实验结果

实验在 HwC 数据集和 PROX 数据集上进行，将 PoseShield 与包括 Torch-mesh-isect、基于分类器的基线、COAP 和 VolumetricSMPL 在内的基线进行了比较。

• 成功率 (SCC)： PoseShield 在 HwC 数据集上达到了 95.8% 的成功率，显著优于表现最好的基线（COAP 为 44.6%）。
• 穿透深度减少 (PDR)： 该方法实现了 98.2% 的 PDR，表明其能极有效地消除自穿透。
• 几何保真度： PoseShield 保持了较低的平均顶点距离 (MVD)，为 0.059，证明其在解决碰撞的同时，使修正后的姿态尽可能接近原始输入。
• 运动序列： 在运动修正任务中，PoseShield 在碰撞消除和运动质量之间提供了最佳平衡，在残余穿透深度和运动伪影（如足部滑动）方面优于直接优化和基于 COAP 的方法。

重要性与主张

本文声称 PoseShield 为人体建模中的一个持久问题提供了具有理论依据的解决方案。通过将碰撞处理与 Eikonal 方程联系起来，作者确保了优化过程的数值稳定性和鲁棒性，而这种性质在基于启发式惩罚的方法中往往是缺失的。直接在低维姿态空间而非网格空间中运行的能力，使其能够无缝集成到学习型流水线中。此外，其生成器无关的特性使其能够作为一个通用的细化模块，应用于各种基于 SMPL 的场景（从静态姿态修正到复杂的运动合成），而无需修改底层的生成模型。