PoseShield: Neural Collision Fields for Human Self-Collision Resolution

📄 arXiv: 2606.29686v1 📥 PDF

作者: Zhengyuan Li, Zeyun Deng, Yifan Shen, Liangyan Gui, Miaolan Xie, Joseph Campbell, Xifeng Gao, Kui Wu, Zherong Pan, Aniket Bera

分类: cs.CV

发布日期: 2026-06-29

备注: ECCV 2026

💡 一句话要点

提出PoseShield以解决人类自碰撞问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱六：视频提取与匹配 (Video Extraction) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 自碰撞 SMPL 姿态估计 运动生成 优化问题 Eikonal方程 神经网络 动画技术

📋 核心要点

  1. 自碰撞问题在SMPL基础的人体姿态估计和运动生成中普遍存在，现有方法在极端姿态下容易出现自穿透现象。
  2. PoseShield通过在SMPL姿态空间中直接定义神经碰撞约束，将碰撞修正视为一个约束优化问题，结合Eikonal方程以提高稳定性。
  3. 在新构建的SMPL姿态基准上，PoseShield实现了95.8%的成功率，显著优于现有的最先进方法。

📝 摘要（中文）

自碰撞在基于SMPL的人体姿态估计和运动生成中仍然是一个持续的挑战。在极端关节动作或随机运动合成下，生成的网格常常出现自穿透，导致物理上不合理的结果。我们提出了PoseShield，这是一种直接在SMPL姿态空间中定义的神经碰撞约束。我们将碰撞修正形式化为一个约束优化问题，并将学习到的约束与Eikonal方程连接。强制Eikonal正则化确保在碰撞边界附近的梯度不消失，从而提高了优化过程的数值稳定性和鲁棒性。与先前在网格空间中操作或依赖启发式惩罚的方法不同，我们的方法直接在低维的人体姿态空间中操作，并具有理论基础。相同的学习约束可以扩展到人类运动序列，提供一种生成器无关的后处理碰撞修正器，而无需重新训练基础运动模型。在新构建的SMPL姿态基准上的实验表明，我们的方法成功率达到95.8%，超越了最先进的基线。

🔬 方法详解

问题定义：本论文旨在解决SMPL基础的人体姿态生成中的自碰撞问题。现有方法在处理极端关节动作时，生成的网格容易出现自穿透，导致不合理的物理结果。

核心思路：我们提出PoseShield，通过在SMPL姿态空间中直接定义神经碰撞约束，将碰撞修正视为约束优化问题。通过结合Eikonal方程，确保在碰撞边界附近的梯度不消失，从而提高优化的数值稳定性和鲁棒性。

技术框架：整体架构包括三个主要模块：首先，在SMPL姿态空间中定义神经碰撞约束；其次，利用Eikonal方程进行正则化；最后，应用于运动序列的后处理碰撞修正。

关键创新：PoseShield的主要创新在于其直接在低维姿态空间中操作，而非在网格空间中进行，且具有理论基础，显著提高了碰撞修正的有效性和效率。

关键设计：在设计中，我们使用了Eikonal正则化来确保碰撞边界的梯度稳定，同时设置了适当的损失函数以优化碰撞修正效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在新构建的SMPL姿态基准上，PoseShield实现了95.8%的成功率，显著优于现有最先进的基线，展示了其在自碰撞修正方面的卓越性能和有效性。

🎯 应用场景

PoseShield的研究成果在动画制作、虚拟现实和游戏开发等领域具有广泛的应用潜力。通过有效解决自碰撞问题，可以提升角色动画的真实感和流畅度，进而改善用户体验。此外，该方法的生成器无关特性使其能够灵活应用于不同的运动模型，具有良好的适应性和扩展性。

📄 摘要（原文）

Self-collision remains a persistent challenge in SMPL-based human pose estimation and motion generation. Under extreme articulations or stochastic motion synthesis, generated meshes frequently exhibit self-penetrations, leading to physically implausible results. We propose PoseShield, a neural collision constraint defined directly in SMPL pose space. We formulate collision correction as a constrained optimization problem and connect the learned constraint with the Eikonal equation. Enforcing Eikonal regularization ensures non-vanishing gradients near the collision boundary, improving numerical stability and robustness of the optimization process. Unlike prior methods that operate in the mesh space or rely on heuristic penalties, our approach operates directly in the low-dimensional space of human poses and is theoretically grounded. The same learned constraint extends to human motion sequences, providing a generator-agnostic post-hoc collision corrector without retraining the underlying motion model. Experiments on a newly constructed SMPL pose benchmark show that our method achieves a 95.8% success rate and outperforms state-of-the-art baselines.