PoseShield: SMPL 포즈 공간에서의 신경 충돌 필드를 이용한 자기 충돌 해결

SMPL 기반의 사람 포즈 추정과 모션 생성은 낮은 차원의 포즈 파라미터를 다루는 장점을 가지나 자기 충돌(self-collision) 문제로 인해 생성 결과의 물리적 타당성이 크게 저해된다. 기존의 메시-공간 기반 충돌 처리법은 정교한 삼각형 수준 연산을 필요로 하여 포즈-공간 최적화와 직접적으로 호환되지 않으며 충돌 없는 기준 해가 항상 제공되지 않는 실제 파이프라인에서는 적용이 어렵다. PoseShield는 포즈-공간에서 학습된 신경 충돌 제약을 통해 이러한 제약을 직접 다루며, Eikonal-정규화를 통해 제약의 그래디언트가 소멸하지 않도록 보장하여 제약 기반 최적화의 수렴성과 안정성을 확보했다.

문제의 출발점은 SMPL 계열 모델이 제공하는 저차원 포즈 파라미터 공간에서 자기 충돌이 발생할 때, 충돌 검사는 이산적인 메시 수준 연산에 의해만 정확히 결정된다는 점이다. 메시-수준의 정확한 충돌 지시자는 포즈 파라미터에 대해 거의 도함수가 존재하지 않으므로 전통적인 그래디언트 기반 제약 최적화법을 직접 적용할 수 없다. 따라서 포즈 공간에서 부드럽고 도함수가 잘 정의된 대리 제약 함수를 학습하는 것이 핵심 문제로 정리된다.

전체 접근은 두 단계로 구성된다. 첫째, SMPL 포즈 공간에서 입력 포즈에 대해 실수값을 출력하는 MLP 기반 신경장치를 학습하여 그 값의 부호가 충돌 여부를 나타내도록 경계 감독(sign supervision)을 수행했다. 둘째, Eikonal 정규화 항 또는 그 대체로서의 Temporal-Difference(TD) 변형을 학습 목적에 포함하여 그래디언트 노름이 1에 가깝게 유지되도록 하였고, 이는 제약의 그래디언트가 소멸하지 않아 LICQ를 만족하게 하는 핵심 메커니즘이다. 학습 데이터는 MotionFix 시드에 가우시안 노이즈를 더하고 6D 회전으로 정규화하는 방식으로 생성된 HwC 데이터셋을 사용했으며, 경계 샘플링을 위한 액티브 러닝을 주기적으로 수행했다.

정량적 평가는 HwC와 PROX의 샘플을 대상으로 수행되었고 주요 지표는 Success Rate(SCC), Penetration Depth Reduction(PDR), Mean Vertex Distance(MVD)였다. PoseShield는 HwC에서 SCC=0.958, PROX에서 SCC=0.800을 달성하며 COAP와 VolumetricSMPL 등 비교 대상보다 성공률과 PDR에서 우세했고 MVD는 원본 포즈에서의 변화가 상대적으로 작았다. 추가적으로 손실 항의 구성에 따른 소거 실험에서 TD 변형만 사용하는 설정이 안정성과 성능 면에서 유리했고, 가중 거리(WD)를 도입하면 동일한 SCC에서 MVD를 낮춰 원래 포즈 보존을 개선할 수 있음이 확인되었다.

네트워크 구조는 12층 MLP이며 히든 차원은 512로 설정되었고 활성화는 매끄러운 Softplus를 사용하여 가정된 C2 연속성을 만족하도록 구성되었다. 학습 목적은 경계 부호(supervision) 항과 Eikonal 규제 항의 합으로 구성되었고 Monte Carlo 방식으로 포즈를 샘플하여 배치당 손실을 계산했다. Eikonal 항은 점별 그래디언트 노름을 1에 가깝게 만드는 ℒ_grad 또는 이의 대체로서 대칭 Temporal-Difference(ℒ_TD) 손실을 사용하며, ℒ_TD가 실무에서 더 안정적인 학습을 보였다.

논문에 명시된 제한점으로 첫째, 현재 학습된 제약 함수는 고정된 체형(shape)에 대해 학습되어 체형 변화가 큰 응용에서는 추가 학습이나 체형 조건화가 필요하다. 둘째, Eikonal 조건은 학습을 통해 대체적으로 만족되지만 완전 보장은 불가능하여 일부 포즈 영역에서는 LICQ 위반이 존재할 수 있고 논문에서는 이 실패 영역의 확률적 부피만 상한으로 제시되었다. 셋째, 현재 거리 측정은 기하학적 메트릭에 기반하므로 의미론적 접촉 유지가 요구되는 애플리케이션에서는 별도의 의미적 거리 항을 추가해야 한다.