验证器引导3D人体生成新突破：EAUC提升32%，接受率达86.32%！
Verifier-Guided Synthetic Augmentation for 3D Human Shape Generation
📖 AI 总结
该研究针对3D人体形状生成中训练数据多样性不足的问题——保守模型难以脱离已有样本，探索性模型又常违反基本身体比例——提出了一种验证器引导的合成增强框架。方法上，先利用全局与模式局部PCA生成低成本候选样本，再借助对应关系导出的骨骼比例和身体部位几何进行筛选，最后用通过验证的样本重新训练扩散模型；弹性配准同时提供了分布式PCA所需的模态结构和可扩展筛选所需的密集解剖对应，无需逐候选拟合身体模型。在4498个配准后的DFAUST表面上，分布式PCA增强取得86.32%的接受率、最高CP-AUC（0.871）和最高EAUC（0.752），较仅用真实数据和自增强扩散提升EAUC达32%。盲测人类研究也支持验证器作为保守把关者的有效性。该工作表明，模式局部、验证器引导的候选生成能在保持与校准身体测量高度一致的同时，拓宽扩散模型的生成范围。
🔑 关键词速览
| Verifier-Guided Augmentation | 一种利用验证器筛选生成样本的增强策略，确保合成数据符合解剖合理性。 |
| PCA (Principal Component Analysis) | 主成分分析，一种降维方法，用于提取数据中的主要变化模式。 |
| Diffusion Model | 扩散模型，一类生成模型，通过逐步去噪过程从噪声中生成数据。 |
| Elastic Registration | 弹性配准，一种将不同形状对齐并建立稠密点对应关系的方法。 |
| EAUC | 扩展曲线下面积，一种综合评估生成模型覆盖度与偏离度的指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅