Age-Inclusive 3D Human Mesh Recovery for Action-Preserving Data Anonymization

📄 arXiv: 2512.05259v1 📥 PDF

作者: Georgios Chatzichristodoulou, Niki Efthymiou, Panagiotis Filntisis, Georgios Pavlakos, Petros Maragos

分类: cs.CV

发布日期: 2025-12-04

💡 一句话要点

提出AionHMR框架，实现年龄包容的3D人体网格重建，用于保护隐私的数据匿名化。

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM) 支柱六：视频提取与匹配 (Video Extraction & Matching)

关键词: 3D人体重建 年龄包容性 SMPL-A模型 数据匿名化 Transformer网络 儿童建模

📋 核心要点

  1. 现有3D人体建模方法在成人数据上表现良好，但在儿童和婴儿数据上的泛化能力不足，存在显著的领域差距。
  2. 论文提出AionHMR框架，核心在于将SMPL-A身体模型融入优化方法，实现对不同年龄段人群的精确建模。
  3. 实验结果表明，该方法显著提升了儿童和婴儿的形状和姿态估计精度，同时保持了成人数据的准确性，并可用于数据匿名化。

📝 摘要（中文）

本文提出AionHMR，旨在解决现有3D人体形状和姿态估计方法在儿童和婴儿群体上的泛化性不足问题。AionHMR是一个综合框架，通过引入SMPL-A身体模型扩展了现有最优模型，实现了对成人、儿童和婴儿的同步精确建模。利用该方法，我们为公开的儿童和婴儿图像数据库生成了伪ground-truth标注。基于这些新训练数据，我们开发并训练了一个基于Transformer的深度学习模型，能够实时进行年龄包容的3D人体重建。实验表明，我们的方法显著提高了儿童和婴儿的形状和姿态估计精度，同时不影响成人数据的准确性。重建的网格可以作为原始图像的隐私保护替代品，保留了关键的动作、姿态和几何信息，从而实现匿名数据集的发布。我们还发布了3D-BabyRobot数据集，其中包含儿童与机器人交互的动作保持3D重建。这项工作弥合了一个关键的领域差距，并为包容性、隐私保护和年龄多样化的3D人体建模奠定了基础。

🔬 方法详解

问题定义：现有3D人体形状和姿态估计方法主要针对成人设计，在应用于儿童和婴儿时，由于身体比例和形态的差异，性能显著下降。这限制了相关技术在儿童相关研究和应用中的使用，同时也阻碍了包含儿童数据的公共数据集的发布，因为存在隐私泄露的风险。

核心思路：论文的核心思路是利用SMPL-A身体模型，该模型能够参数化地表示不同年龄段（包括成人、儿童和婴儿）的人体形状和姿态。通过将SMPL-A模型集成到现有的3D人体重建框架中，可以实现对不同年龄段人群的统一建模。这种方法能够更好地适应儿童和婴儿的身体特征，从而提高重建精度。

技术框架：AionHMR框架包含两个主要阶段：伪ground-truth生成和深度学习模型训练。首先，利用基于优化的方法，将SMPL-A模型拟合到公开的儿童和婴儿图像数据集，生成伪ground-truth标注。然后，基于这些标注，训练一个基于Transformer的深度学习模型，用于实时3D人体重建。该模型以图像作为输入，输出SMPL-A模型的参数，从而得到3D人体网格。

关键创新：最重要的技术创新点在于将SMPL-A模型集成到3D人体重建框架中，从而实现了年龄包容性。与现有方法相比，AionHMR能够更好地处理儿童和婴儿的身体特征，显著提高了重建精度。此外，该方法还提出了一种生成伪ground-truth标注的策略，解决了儿童和婴儿数据集缺乏高质量标注的问题。

关键设计：在伪ground-truth生成阶段，论文采用基于优化的方法，最小化SMPL-A模型与图像之间的重投影误差和先验约束。在深度学习模型训练阶段，论文使用Transformer作为主干网络，并设计了合适的损失函数，包括重投影误差、姿态误差和形状误差。此外，论文还采用了数据增强技术，以提高模型的泛化能力。具体参数设置和网络结构细节未在摘要中详细说明，属于未知信息。

📊 实验亮点

实验结果表明，AionHMR框架显著提高了儿童和婴儿的3D人体重建精度，同时保持了成人数据的准确性。具体性能数据和对比基线未在摘要中给出，属于未知信息。该方法生成的3D人体网格可以作为原始图像的隐私保护替代品，为匿名数据集的发布提供了可能。

🎯 应用场景

该研究成果可广泛应用于儿童相关的研究领域，例如儿童行为分析、儿童健康监测和儿童人机交互等。此外，该方法还可以用于生成匿名化的儿童数据集，促进相关研究的开展，同时保护儿童的隐私。未来，该技术有望应用于虚拟现实、游戏和动画等领域，创造更加逼真和自然的儿童角色。

📄 摘要（原文）

While three-dimensional (3D) shape and pose estimation is a highly researched area that has yielded significant advances, the resulting methods, despite performing well for the adult population, generally fail to generalize effectively to children and infants. This paper addresses this challenge by introducing AionHMR, a comprehensive framework designed to bridge this domain gap. We propose an optimization-based method that extends a top-performing model by incorporating the SMPL-A body model, enabling the concurrent and accurate modeling of adults, children, and infants. Leveraging this approach, we generated pseudo-ground-truth annotations for publicly available child and infant image databases. Using these new training data, we then developed and trained a specialized transformer-based deep learning model capable of real-time 3D age-inclusive human reconstruction. Extensive experiments demonstrate that our methods significantly improve shape and pose estimation for children and infants without compromising accuracy on adults. Importantly, our reconstructed meshes serve as privacy-preserving substitutes for raw images, retaining essential action, pose, and geometry information while enabling anonymized datasets release. As a demonstration, we introduce the 3D-BabyRobot dataset, a collection of action-preserving 3D reconstructions of children interacting with robots. This work bridges a crucial domain gap and establishes a foundation for inclusive, privacy-aware, and age-diverse 3D human modeling.