CVPR’23｜一張圖重建3D人物新思路：完美復(fù)刻復(fù)雜動作和寬松衣物，遮擋也不在話下

修宇亮 投稿

量子位 | 公眾號 QbitAI

在計算機(jī)視覺領(lǐng)域，我們用一張人像直接打造3D數(shù)字人最大的挑戰(zhàn)是什么？

或許就是兼顧穩(wěn)定性和自由度。

也就是人物無論擺出多么復(fù)雜的姿勢、所穿衣服有多寬松、飄逸或個性，我們都能將它全部逼真地重建為3D姿態(tài)。

像下面的例子，就很尷尬：

姿勢是夠穩(wěn)，但衣服都缺塊了。

現(xiàn)在，來自CVPR’23的一篇Highlight論文——《ECON: Explicit Clothed humans Optimized via Normal integration》，專門解決了這個問題。

它所用方法既能逼真重建各種復(fù)雜pose，也能把衣服從整體版型到細(xì)節(jié)褶皺都完美復(fù)刻出來。

即使是帶遮擋的多人重建任務(wù)，也可放心地“包在它身上”。

如何做到？

以下為投稿作者第一人稱角度自述。

既要姿態(tài)魯棒，又要拓?fù)潇`活

在《CVPR 2022 | ICON: 提高三維數(shù)字人重建的姿勢水平》中（[1]注：作者知乎專欄文章），我在“把我批判一番”段落，講了一下ICON（注：作者去年中標(biāo)CVPR的3D數(shù)字人重建算法）的問題，其中最突出的，就是”穩(wěn)定性vs自由度”的左右兩難，魚和熊掌不可得兼。

這里的魚，就是姿態(tài)穩(wěn)定性(Pose Robustness)，這里的熊掌，就是拓?fù)潇`活度?(Topological Flexibility)。

翻譯成大白話，就是ICON能在難的姿勢下較好地重建，但寬松的衣服就不行。

幾何先驗?(SMPL Body)?的引入固然帶來了姿態(tài)的穩(wěn)定性，但卻有損拓?fù)涞撵`活度。

在同樣使用SMPL作為幾何先驗的其他工作中，比如PaMIR([2])，這個tradeoff也普遍存在。

夠穩(wěn)定就不夠靈活，這不光是個問題，還是個非常令人尷尬的問題。

PIFu(HD)的大火，導(dǎo)致整個領(lǐng)域內(nèi)大家紛紛開始卷Implicit Function?(IF)，就是因為它能做到自由拓?fù)洹?/p>

以前mesh-based方法揪不出來的衣服褶皺、頭發(fā)紋路、開衫夾克、寬松裙子等，上了IF就都能搞出來了。

而ICON雖然號稱比PIFuHD擁有更好的泛化性，但這僅僅體現(xiàn)在姿態(tài)上，卻以犧牲寬松衣服重建效果為代價，相當(dāng)于忘記了Clothed Human Reconstruction這個問題的“初心”。

因此，如何在不犧牲姿態(tài)穩(wěn)定性的情況下，盡量保證靈活拓?fù)?，就成為繞不過去的問題。

更具體，就是得想個轍，對SMPL-X取其精華去其糟粕，“潤物細(xì)無聲”地將它融入到整個重建過程中。

在這篇文章中，我們還提到了ICON的另一個問題，那就是“幾何不如法向好”。

因此，在ICON的開源代碼中，我們引入了一個后處理模塊?(-loop_cloth)，對于ICON直出的mesh，用從圖像中估計的normal進(jìn)行“二次拋光”，這個沒寫在論文中，但實際效果還不錯，拋光后的mesh較ICON直出的結(jié)果，擁有了更加自然的褶皺細(xì)節(jié)面片拓?fù)湟哺?guī)整。

當(dāng)然，也額外多費(fèi)一點時間。

△圖片-normal estimate-ICON直出-ICON拋光

但拋光僅僅就是拋光，它依舊不能解決拓?fù)涞膯栴}。

裙子裂了，再拋光也不過就是“擁有更真實褶皺細(xì)節(jié)的、裂開的裙子”。

可是normal看起來質(zhì)量是真的好，那么有沒有可能，讓法向圖?(Normal map)來主導(dǎo)整個重建過程，而不僅僅用來做二次拋光呢？

之前的拋光，“主”是粗糙的幾何，“輔”是normal。

如果主輔易位，normal作為“主”，而粗糙幾何SMPL body作為“輔”，這個問題會不會有更好的解法？

這就是ECON的思維起點。

△ICON vs ECON

先做衣服，再把人塞進(jìn)去

上面這個想法讓人很自然聯(lián)想到Normal Integration這個技術(shù)路線，這是個挺古早的技術(shù)了，但本身是個ill-posed problem，即如果：

normal map有懸崖，即存在不連續(xù)區(qū)域（discontinuity），這在關(guān)節(jié)幾何（articulated objects）中很常見：

1、懸崖落差未知，即boundary condition不明確；

2、normal map本身又是有噪聲的；

3、那么normal就很難通過優(yōu)化過程，唯一確定depth，換句話說，此時normal與depth，是一對多的關(guān)系。

但我們知道，人體是一個有很強(qiáng)先驗信息的articulated object。

比如上面思考者，盡管雙腿之間的距離是未知的，但如果被拉的過遠(yuǎn)，也是不符合人體結(jié)構(gòu)的，所以如果可以將人體先驗，即SMPL-X depth，作為一個幾何軟約束?(soft geometric constrain)，加入到整個Normal Integration的優(yōu)化方程中。那么不光懸崖落差有了一個大致的初始值，normal中的噪聲也被約束住了，避免因normal noise干擾整個積分過程，導(dǎo)致表面突刺?(artifacts)。

同時，對于在normal map上連續(xù)，但SMPL-X depth上不連續(xù)的區(qū)域，比如兩腿中間的裙子（有normal覆蓋，沒SMPL-X depth覆蓋），可以僅在normal上積分的同時，盡量與nearby surface保持連貫性。這就是文章中提到的d-BiNI?(depth-aware BiNI([3]))。

整個優(yōu)化過程，有一個更形象的解釋——把裸體模特?(SMPL-X body)?慢慢地塞進(jìn)一套做好的衣服?(Normal map)?中，把衣服撐起來。

好了，現(xiàn)在正反兩面的衣服已經(jīng)被人體“撐起來”了，這個時候我們會注意到，正反兩面的間隙，尤其是側(cè)面，有縫，這就好比旗袍開叉開到了嘎吱窩。所以接下來我們要做的，就是補(bǔ)全這個裂縫。

在ECON中，我們提供了兩種補(bǔ)全策略，一種是用類似IF-Nets的思路（如下圖），輸入SMPL-X body和d-BiNI優(yōu)化出來的正反面，implicitly做幾何補(bǔ)全，稱為IF-Nets+，其結(jié)果我們標(biāo)記為 ECONIF。

△IF-Nets+

另一種策略則不需要data-driven地去學(xué)這種補(bǔ)全策略，而是直接register SMPL-X body into front&back surfaces，其結(jié)果我們標(biāo)記為 ECONEX。

換言之，就是將SMPL-X直接進(jìn)行顯式形變?(explicit deformation)，直到其與d-BiNI優(yōu)化出來的正反面完全重合。這種方法扔掉了DL模塊，整個pipeline更干凈，但缺乏補(bǔ)全未知區(qū)域的“想象力”。

正反面完整時，一切正常，但遇到遮擋（下圖234），優(yōu)化出來的正反面本身就會有缺陷，因此形變后的ECONEX結(jié)果，遮擋邊界處幾何不連貫，遮擋處則顯得“赤裸裸”。

△Implicit completion vs. Explicit Completion

如果輸入圖片沒有遮擋，我比較推薦explicit的策略?(use_ifnet: False)，因為快且穩(wěn)定，而如果有遮擋，就不得不上IF-Nets+?(use_ifnet: True)。

另外，幾何補(bǔ)全?(shape completion)?本身就是一個研究課題，這塊不是我的專長，ECON僅提供了兩種比較直覺的補(bǔ)全思路，大家如果有更優(yōu)雅的解決，可以在評論區(qū)留言或者pull request。

△Overview of ECON

以上就是ECON的完整思路了，三步走，一個normal estimation，咳～，一個normal integration，一個shape completion，訓(xùn)練有素，simple yet effective，既沒有引入新的網(wǎng)絡(luò)設(shè)計，也沒有增加訓(xùn)練數(shù)據(jù)，連normal estimator都是從ICON繼承過來的。

如果說ICON是將feature encoder簡化為七維度的手工特征，ECON就是將encoder + implicit regressor合并為一個explicit optimizer，這樣問題本身，就從data-driven learning，轉(zhuǎn)化為一個純優(yōu)化問題。

從此我們只需要關(guān)注用什么方法可以拿到更好的normal map，就可以了。

“Make everything as simple as possible, but not simpler.”—— Albert Einstein.

不同于implicit-based methods， ECONEX 沒有任何implicit模塊，這也是標(biāo)題的立意，單目穿衣人重建這個問題，不是非要上implicit才能保住細(xì)節(jié)，explicit也可以的，一個數(shù)字人，顯式隱式各自表述。

而且ECON的三明治結(jié)構(gòu)，也適用于通用物體，比如去年3DV Best Paper Honourable Mention，Any-shot GIN([4])，大同小異。

這種三明治設(shè)計簡化了重建，正反面搞定了，九成的物體幾何信息就有了，留給補(bǔ)全模塊的工作量就小很多。同時，補(bǔ)全能“填縫”，也能應(yīng)對大面積遮擋，所以ECON天然地可以處理多人遮擋場景。

同時，由于優(yōu)化還是基于SMPL-X幾何先驗，所以ECON的結(jié)果，已經(jīng)內(nèi)嵌了一個嚴(yán)絲和縫的SMPL-X參數(shù)化模型，所以接下來，無論是要做皮膚裸露部位（手，臉）的替換，還是做驅(qū)動動畫，都很容易。

△對裸露部分，比如臉和手，可以直接用SMPL-X替換

這里我和李杰鋒同學(xué)一起合作搞了一個demo，先用HybrIK-X([5])從視頻中做視覺動捕，得到的動作序列，直接驅(qū)動ECON的重建。

不夠完美，有些jitter，還有g(shù)lobal trans不準(zhǔn)確導(dǎo)致的地板穿模問題，同時，紋理只有正面，因為看起來很別扭，我就把紋理全扔掉了，但這個問題肯定是要解決的，先開個坑，之后搞定了會過來填。

不完美之處

ECON也有一些問題，比如：

A. SMPL-X對于直立站姿的預(yù)測結(jié)果往往會屈腿，這會“帶壞”ECON的重建

B. SMPL-X的手腕旋轉(zhuǎn)如果預(yù)測錯誤，直接替換就會出現(xiàn)圖示的stitching artifacts

D. 極端寬松的衣服下，目前normal預(yù)估的質(zhì)量無法保證，伴隨著ECON的重建也會有破洞

至于C，人體和衣服之間往往是有距離的，而ECON的優(yōu)化過程，目前沒有考慮衣服的緊合度tightness（具體實現(xiàn)中，我們手工設(shè)定了thickness=2cm），導(dǎo)致在一些極端的情況下，人會看起來扁扁的，這個問題，或許可以通過額外預(yù)測tightness，并將其引入到d-BiNI優(yōu)化過程中來解決。

△Failure cases

盡管有以上各種問題，（但個人認(rèn)為），ECON依舊是目前為止，泛化性最好的，單圖穿衣人重建算法，我們在AMT上花了六百歐做了上千組perception study，最后的結(jié)論是——除了在fashion images上和PIFuHD打了個平手，其他所有的hard cases，challenging poses or loose clothing，ECON的重建質(zhì)量一騎絕塵。

而fashion images上打平手的主要原因，主要還是因為這個屈腿的問題，所以，只要SMPL-X estimate可以解決掉屈腿的問題（比如像BEDLAM([6])那樣造synthetic data，然后用perfect SMPL-X gt而不是pseudo SMPL-X gt做訓(xùn)練），那么ECON就是六邊形戰(zhàn)士，單目穿衣人重建界的馬龍（只要限定詞足夠多，就沒人可以打敗我）。

ECON paves the path towards large-scale human digitization from internet data

最后，多虧了開源社區(qū)小伙伴的幫助，ECON提供了全家桶。

Windows Ubuntu都支持，Google Colab， HuggingFace Demo，Docker Image一應(yīng)俱全，除此之外，我們還支持了Blender插件。

所以，無論你是reseacher，engineer，artist/animator，還是只想嘗鮮不想配環(huán)境的吃瓜群眾，只要你想用，總有一款適合你。

后續(xù)有興趣討論的，可以Github上提issue，或者加入我們的Discord討論組?(Avatarizer)。

祝大家使用愉快。

論文地址：
https://arxiv.org/abs/2212.07422

項目主頁：
https://xiuyuliang.cn/econ/

參考鏈接：

[1] ICON: https://zhuanlan.zhihu.com/p/477379718
[2] PaMIR: Parametric Model-conditioned Implicit Representation for image-based human reconstruction (T-PAMIR’21) https://github.com/ZhengZerong/PaMIR
[3] Bilateral Normal Integration (ECCV’22) https://github.com/xucao-42/bilateral_normal_integration
[4] Any-Shot GIN: Generalizing Implicit Networks for Reconstructing Novel Classes (3DV’22) https://virtualhumans.mpi-inf.mpg.de/gin/
[5] HybrIK-X: Hybrid Analytical-Neural Inverse Kinematics for Whole-body Mesh Recovery (arXiv’23) https://jeffli.site/HybrIK-X/
[6] BEDLAM: A Synthetic Dataset of Bodies Exhibiting Detailed Lifelike Animated Motion (CVPR’23, Highlight) https://bedlam.is.tue.mpg.de/