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: 支柱六：视频提取与匹配 (Video Extraction)

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

📋 核心要点

  1. 现有3D人体形状和姿态估计方法在成人上表现良好，但在儿童和婴儿上的泛化能力较差，存在显著的领域差距。
  2. AionHMR框架通过结合SMPL-A模型，扩展了现有最优方法，实现了对成人、儿童和婴儿的统一建模。
  3. 实验表明，该方法显著提升了儿童和婴儿的形状和姿态估计精度，同时保持了成人上的性能，并可用于数据匿名化。

📝 摘要（中文）

本文提出AionHMR，旨在弥合3D人体形状和姿态估计在成人、儿童和婴儿之间的性能差距。该框架基于优化方法，通过整合SMPL-A身体模型扩展了现有最优模型，从而能够同时准确地建模不同年龄段的人群。利用此方法，我们为公开的儿童和婴儿图像数据库生成了伪ground-truth标注。随后，我们训练了一个基于Transformer的深度学习模型，该模型能够实时进行年龄包容的3D人体重建。实验结果表明，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，同时保持了成人上的准确性。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人体姿态和形状估计方法主要针对成人设计，在应用于儿童和婴儿时，由于体型差异较大，精度显著下降。这限制了相关技术在需要处理儿童和婴儿数据的场景中的应用，同时也阻碍了相关数据集的构建和发布，因为原始图像可能涉及隐私问题。

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，可以实现对成人、儿童和婴儿的统一建模，从而提高在儿童和婴儿上的重建精度。此外，重建的3D网格可以作为原始图像的替代品，在保留关键信息的同时，实现数据匿名化。

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上，生成伪ground-truth标注。然后，使用这些伪ground-truth数据训练一个基于Transformer的深度学习模型，该模型能够直接从图像中预测SMPL-A模型的参数，从而实现实时3D人体重建。

关键创新：该论文的关键创新在于将SMPL-A模型集成到3D人体重建框架中，从而实现了年龄包容的建模能力。此外，论文还提出了利用伪ground-truth数据训练深度学习模型的方法，克服了缺乏真实标注数据的难题。

关键设计：在伪ground-truth生成阶段，论文采用了基于优化的方法，通过最小化图像重投影误差和正则化项，将SMPL-A模型拟合到图像上。在深度学习模型训练阶段，论文使用了Transformer架构，并设计了合适的损失函数，以提高模型的重建精度和泛化能力。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。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文通过实验证明，AionHMR框架能够显著提高儿童和婴儿的3D人体形状和姿态估计精度，同时保持了成人上的性能。具体性能数据和提升幅度未在摘要中给出，属于未知信息。此外，论文还发布了3D-BabyRobot数据集，为相关研究提供了新的资源。

🎯 应用场景

该研究成果可应用于多个领域，包括儿童行为分析、人机交互、虚拟现实和增强现实等。通过提供年龄包容的3D人体模型，可以更准确地分析儿童的动作和姿态，从而改善儿童相关的应用体验。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。

📄 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.