可学习 SMPLify：无优化的人体姿态逆运动学神经解决方案

在三维人体姿势和形状估计领域，SMPLify 仍然是一个强大的基线模型， 通过迭代优化解决逆向运动学 (IK) 问题。然而，其 高计算成本限制了其实用性。近期跨领域的研究表明，用数据驱动的神经网络 取代迭代优化可以在不牺牲准确性的情况下显著提高运行速度。受此趋势的启发，我们提出了 Learnable SMPLify，一个 神经网络框架，用 单次回归模型取代了 SMPLify 中的迭代拟合过程。我们框架的设计针对神经 IK 的两个核心挑战：数据构建和泛化。为了实现有效的训练，我们提出了一种时间采样策略，该策略从连续帧构建初始化-目标对。为了提高对各种运动和未见过的姿势的泛化能力，我们提出了一种以人为中心的 归一化方案和残差学习来缩小解空间。 Learnable SMPLify 支持顺序推理和即插即用 后处理，以完善现有的基于图像的估计器。大量的 实验表明，我们的方法已经成为一种实用且简单的基线：与 SMPLify 相比，其运行速度提高了近 200 倍， 能够很好地泛化到未见的 3DPW 和 RICH 数据集，并且在作为 LucidAction 的即插即用工具使用时，可以以模型无关的方式运行。代码可在 https://github.com/Charrrrrlie/Learnable-SMPLify 获取。