【论文】SOMA：统一参数化人体模型

发布: 3天前 (2026年3月18日 GMT+8 01:58)

7 分钟阅读

原文: arXiv

Source: arXiv - 2603.16858v1

概述

本文介绍了 SOMA，一种“统一的身体层”，使开发者能够使用任何主要的参数化人体模型（SMPL、SMPL‑X、MHR、Anny 等），而无需为每一对模型编写自定义适配器。通过抽象网格拓扑、骨骼和姿态表示，SOMA 将组合爆炸的问题转化为一个单一的即插即用组件，并能在 GPU 上实时运行。

SOMA 将每个参数化模型视为共享底层人体的视图：

网格拓扑抽象 – 只定义一次标准网格（“SOMA 网格”）。对于任意源模型，预先计算的每顶点映射告诉 SOMA 如何复制或混合顶点属性，从而实现常数时间的转换。
骨骼抽象 – 标准骨骼表示为一组 身份感知 的关节变换。利用模型的形状参数，SOMA 求解线性系统，在单一步闭式求解中得到完整的关节层级，无论输入是处于静止姿态还是已经有姿态。
姿态抽象 – 通过反转标准的线性混合蒙皮（LBS）管线，SOMA 恢复生成给定顶点位置的旋转矩阵。由于蒙皮权重也映射到标准空间，这对所有支持的模型均有效。

所有三层串联在一起，产生一个可微函数

[ \text{SOMA}( \text{model_id}, \text{shape}, \text{pose}) \rightarrow \text{canonical_mesh}, \text{canonical_joints} ]

可以直接嵌入训练循环或推理管线，无需额外的账目管理。

Cross‑dataset training – 研究人员现在可以在 SMPL‑X、MHR 和 Anny 的动作捕捉数据上训练单一模型，无需手动重新定向，显著扩大可用数据量。
Hybrid pipelines – 游戏工作室可以在同一角色中将 SMPL‑X 的高保真面部绑定与 SMPL 的轻量级身体绑定相结合，实时切换各模型的最佳部分。
Real‑time applications – 由于整个流水线支持 GPU 加速且可微分，它可以嵌入 AR/VR 头像、直播滤镜或需要快速一致身体表示的机器人仿真中。
Simplified tooling – SDK 和库只需提供一个 “SOMA backend”，而不必维护数十个两两转换器，从而降低维护成本和版本兼容性问题。

Model coverage – SOMA 目前支持最流行的参数模型；异类或专有的装置仍需自定义拓扑/权重映射才能使用。
Skinning assumptions – 姿态反演依赖线性混合蒙皮；使用更复杂变形（例如校正混合形状）的模型可能会失去一些细微差别。
Fine‑grained detail – 虽然几何误差较低，但细微的高频细节（例如服装皱褶）在模型之间并未显式保留。
Future directions – 作者计划将 SOMA 扩展至处理非刚性配件，整合神经隐式表示以实现更精细的细节，并开源转换工具包以加速社区采用。