Graph Convolutional Networks for Automated Anthropometric Measurement Estimation from Three-Dimensional Human Body Meshes
本研究表明，图卷积神经网络能够有效地直接从3D人体网格中估算十六项标准人体测量指标，在合成数据上取得了极具前景的准确度，同时也凸显了在应用于真实世界扫描时面临的领域自适应挑战。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
从我们坐的椅子到我们穿的衣服，日常用品的设计都是以人体为核心的。几个世纪以来，确保合身的方法一直依赖于一种简单但耗时的仪式：由裁缝或设计师用卷尺测量人体。虽然这种方法有效，但速度缓慢，容易产生人为误差，且难以同时应用于成千上万的人。为了解决这个问题，工程师们转向了三维扫描技术，通过捕捉一个人的形状来生成点云或线框表面。然而，这些数字扫描仅仅是原始数据；它们并不知道腰线在哪里，或者手臂有多长。从复杂的3D形状中提取这些特定的数值，传统上需要手动寻找特定的解剖学特征点，或者将通用的身体模型拟合到扫描件上，这两者都非常消耗计算资源，且有时不够准确。
韦恩州立大学的一位研究人员探索了一条不同的路径，即将人体视为一个连接的网络，而不是一组点或一个刚性模板。在他们的研究方法中，3D人体扫描的表面被视为一个图（graph），其中皮肤上的每一个微小点都是通过边与邻近点相连的节点，就像由道路连接的城市地图一样。通过使用一种被称为图卷积网络（graph convolutional network）的人工智能技术，研究人员教会了计算机同时观察整个网络结构。该系统不再是一个接一个地寻找地标，而是学习整体形状如何与特定测量值（如胸围或腿长）相关联。这种方法旨在绕过传统扫描中缓慢的中间步骤，直接从3D形状获取制造所需的数值。
研究人员利用一个由计算机模型生成的庞大合成人体形状库来训练他们的系统。这些数字人体是完美的，每一项测量值都精确已知，这使得网络能够在没有现实世界扫描中存在的噪声干扰的情况下，学习形状与尺寸之间的关系。训练完成后，该系统在两组不同的数据上进行了测试。首先，它在未见过的合成人体数据上进行了评估，以观察其对模式的学习能力。在这个受控环境中，网络表现得相当出色，能够预测十六种不同的身体测量值，平均误差约为22毫米。在大约45%的预测中，误差控制在20毫米以内，这一幅度对于许多设计应用来说通常是可以接受的。该系统在测量身体刚性部分（如肩宽或腕围）方面表现尤为出色，因为骨骼提供了清晰且不变的结构。
然而，真正的考验出现在研究人员将同一套训练好的系统应用于实际人体扫描的真实世界数据时。在这里，性能显著下降，平均误差上升到近58毫米。这种完美合成训练数据与混乱的人体现实之间的差距，凸显了人工智能面临的一个共同挑战：在模拟中表现完美的技术，在面对现实世界的不可预测性时往往会陷入困境。该系统在处理依赖于软组织的测量值（如腰围或大腿围）时表现得最为吃力。与由骨骼支撑的肩膀或手腕不同，腰部会根据人的站姿或呼吸而改变形状和位置。网络倾向于低估这些软组织测量值，这表明其在全身体表进行信息平均化的方法，有时会抹平获取这些特定数值所需的细节。
尽管存在这些局限性，这项研究仍为一种全新的思维方式提供了令人信服的概念验证。研究人员证明，计算机可以直接读取3D人体网格，而无需先寻找特定点或拟合通用模板。这种直接的方法在计算上非常高效，仅需通过网络进行一次运算即可生成结果，这比旧技术使用的迭代优化方法要快得多。研究结果表明，虽然该技术在经过进一步完善之前，尚不具备立即投入高精度制造的能力，但其底层策略是合理的。未来的发展方向在于弥合合成训练与现实应用之间的差距，例如，通过教导系统更好地处理软组织的变化，或者使网络能够直接从2D照片而非预构建的3D扫描中进行工作。目前，这项工作标志着自动化测量这一古老艺术的重要一步，将复杂的人体几何形状转化为机器可以理解并使用的数据。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。