arXiv cs.AI· Aizierjiang Aiersilan, Ruting Cheng, James Hahn·· 10 小时前AI 评分29
研究 SAM 3D Body 的人体测量保真度问题
Investigating Anthropometric Fidelity in SAM 3D Body
AI 导读
对 SAM 3D Body 的评估显示，该模型难以重建详细的人体测量偏差，尤其是老年肌肉萎缩、脊柱侧弯或妊娠等具有独特形态改变的人群，即使这些特征在输入图像中十分明显。
正文 · AI 翻译
摘要：SAM 3D Body 的发布是人网格恢复领域的一项最新进展，在从单张图像生成干净、拓扑连贯的网格方面展现出更优的性能。借助 Momentum Human Rig（MHR），它对遮挡和多样姿态具有鲁棒性。然而，我们的评估揭示了一个具体且一致的局限：该模型难以重建细致的人体测量学偏差，尤其是在表现出显著形态学改变的人群中，例如老年肌肉萎缩、脊柱侧弯或妊娠，即使这些特征在输入图像中十分明显。在本文中，我们研究这一现象，不将其视为模型能力的失败，而是视为“感知—失真权衡”的副产物。我们假设，架构上对低维参数化 MHR 表示的依赖，结合语义不变的条件化（DINOv3）和基于标注的对齐，造成了一种普遍存在的“向均值回归”效应。我们分析这些机制，以理解为何个体生物学细节被平滑掉。此外，我们阐述我们的贡献，提出未来工作的具体、建设性路径，例如隐式—显式混合表示和 Medical-in-the-Loop 对齐，以将 SAM 3D Body 的基线性能扩展到高精度医学领域。
| 主题： | 图形学（cs.GR）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；新兴技术（cs.ET） |
| 引用为： | arXiv:2601.06035 [cs.GR] |
| （或 arXiv:2601.06035v2 [cs.GR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.06035 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Aizierjiang Aiersilan [查看电子邮件]
[v1]
2025年12月2日星期二 05:33:17 UTC（8,806 KB）
[v2]
2026年5月2日星期六 00:45:24 UTC（8,835 KB）
来源：arXiv cs.AI · arxiv.org