本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

在計算機視覺領域，我們用一張人像直接打造3D數字人最大的挑戰是什么？

或許就是兼顧穩定性和自由度。

也就是人物無論擺出多么復雜的姿勢、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。

像下面的例子，就很尷尬：

姿勢是夠穩，但衣服都缺塊了。

現在，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雜pose，也能把衣服從整體版型到細節褶皺都完美復刻出來。

即使是帶遮擋的多人重建任務，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。

既要姿態魯棒，又要拓撲靈活

在《CVPR 2022 | ICON: 提高三維數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CVPR的3D數字人重建算法）的問題，其中最突出的，就是”穩定性vs自由度”的左右兩難，魚和熊掌不可得兼。

這里的魚，就是姿態穩定性(Pose Robustness)，這里的熊掌，就是拓撲靈活度 (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的穩定性，但卻有損拓撲的靈活度。

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，導致整個領域內大家紛紛開始卷Implicit Function (IF)，就是因為它能做到自由拓撲。

以前mesh-based方法揪不出來的衣服褶皺、頭發紋路、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，但這僅僅體現在姿態上，卻以犧牲寬松衣服重建效果為代價，相當于忘記了Clothed Human Reconstruction這個問題的“初心”。

因此，如何在不犧牲姿態穩定性的情況下，盡量保證靈活拓撲，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直出的結果，擁有了更加自然的褶皺細節面片拓撲也更規整。

當然，也額外多費一點時間。

△ 圖片-normal estimate-ICON直出-ICON拋光

但拋光僅僅就是拋光，它依舊不能解決拓撲的問題。

裙子裂了，再拋光也不過就是“擁有更真實褶皺細節的、裂開的裙子”。

可是normal看起來質量是真的好，那么有沒有可能，讓法向圖 (Normal map)來主導整個重建過程，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，再把人塞進去

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

normal map有懸崖，即存在不連續區域（discontinuity），這在關節幾何（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就很難通過優化過程，唯一確定depth，換句話說，此時normal與depth，是一對多的關系。

但我們知道，人體是一個有很強先驗信息的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，也是不符合人體結構的，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，導致表面突刺 (artifacts)。

同時，對于在normal map上連續，但SMPL-X depth上不連續的區域，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) 慢慢地塞進一套做好的衣服 (Normal map) 中，把衣服撐起來。

好了，現在正反兩面的衣服已經被人體“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，就是補全這個裂縫。

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

△ IF-Nets+

另一種策略則不需要data-driven地去學這種補全策略，而是直接register SMPL-X body into front&back surfaces，其結果我們標記為 ECON_EX。

換言之，就是將SMPL-X直接進行顯式形變 (explicit deformation)，直到其與d-BiNI優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，但缺乏補全未知區域的“想象力”。

正反面完整時，一切正常，但遇到遮擋（下圖234），優化出來的正反面本身就會有缺陷，因此形變后的ECONEX結果，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)，因為快且穩定，而如果有遮擋，就不得不上IF-Nets+ (use_ifnet: True)。

另外，幾何補全 (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全思路，大家如果有更優雅的解決，可以在評論區留言或者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，訓練有素，simple yet effective，既沒有引入新的網絡設計，也沒有增加訓練數據，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，轉化為一個純優化問題。

從此我們只需要關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才能保住細節，explicit也可以的，一個數字人，顯式隱式各自表述。

而且ECON的三明治結構，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，留給補全模塊的工作量就小很多。同時，補全能“填縫”，也能應對大面積遮擋，所以ECON天然地可以處理多人遮擋場景。

同時，由于優化還是基于SMPL-X幾何先驗，所以ECON的結果，已經內嵌了一個嚴絲和縫的SMPL-X參數化模型，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，直接驅動ECON的重建。

不夠完美，有些jitter，還有global trans不準確導致的地板穿模問題，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對于直立站姿的預測結果往往會屈腿，這會“帶壞”ECON的重建

B. SMPL-X的手腕旋轉如果預測錯誤，直接替換就會出現圖示的stitching artifacts

D. 極端寬松的衣服下，目前normal預估的質量無法保證，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的優化過程，目前沒有考慮衣服的緊合度tightness（具體實現中，我們手工設定了thickness=2cm），導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測tightness，并將其引入到d-BiNI優化過程中來解決。

△ Failure cases

盡管有以上各種問題，（但個人認為），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做訓練），那么ECON就是六邊形戰士，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境的吃瓜群眾，只要你想用，總有一款適合你。

后續有興趣討論的，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。

One More Thing

附作者攜ECON參加China3DV會議時做的一個宣傳視頻，魔改了《讓子彈飛》中的片段，也是相當有趣～

論文地址：https://arxiv.org/abs/2212.07422

項目主頁：
https://xiuyuliang.cn/econ/