SMPL引导的残缺点云人体重建
Abstract
目的点云在人体建模和姿态估计中应用广泛，但常因传感器视角和遮挡而局部缺失，影响重建完整性和精度。点云非结构化特性使模型难以准确建模几何结构和拓扑关系，导致失真、模糊或偏差。现有方法在处理严重缺失和复杂姿态时，仍面临结构完整性和几何精度不足的挑战。方法为此，本文提出一种基于蒙皮多人线性（skinned multi-person linear， SMPL）模型拓扑先验的人体重建与点云补全方法。通过引入逐点语义感知的多尺度特征提取机制，增强对局部几何结构的理解能力；在此基础上，利用SMPL的参数化网格先验构建初始人体形变骨架，有效引导缺失区域的结构推理，缓解因信息缺失带来的拓扑歧义；进一步设计顶点偏移感知优化模块，通过学习输入点云与预测网格间的空间残差，实现对人体表面细节的精细化修正。结果实验结果表明，所提方法在SURREAL和AMASS数据集上均优于现有方法。在SURREAL数据集上，顶点回归误差降低4.6%，姿态估计精度达当前最优的16.2 mm；在AMASS数据集上的倒角距离指标也显著优于现有点云补全算法，进一步验证了所提出框架的良好泛化性与鲁棒性。结论综上所述，将SMPL的拓扑先验有效融入点云重建流程，可显著提升重建质量，尤其在处理非结构化与不完整点云时展现出更强优势。
Fields of Study & Subjects
3D Shape Modeling and Analysis
Human Pose and Action Recognition
Face recognition and analysis
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 8
- Pages
- 2987–3000
- Publication date
- 1 January 2026
- Language
- EN