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麽？
或許就是兼顧穩定性和自由度。
也就是人物無論擺出多麽複雜的姿勢、所穿衣服有多寬松、飄逸或個性，我們都能将它全部逼真地重建爲 3D 姿态。
像下面的例子，就很尴尬：
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複雜 pose，也能把衣服從整體版型到細節褶皺都完美複刻出來。
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？
以下爲投稿作者第一人稱角度自述。
既要姿态魯棒，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：作者去年中标 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。
這裏的魚，就是姿态穩定性 ( Pose Robustness ) ，這裏的熊掌，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态的穩定性，但卻有損拓撲的靈活度。
在同樣使用 SMPL 作爲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，還是個非常令人尴尬的問題。
PIFu ( HD ) 的大火，導緻整個領域内大家紛紛開始卷 Implicit Function ( IF ) ，就是因爲它能做到自由拓撲。
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 雖然号稱比 PIFuHD 擁有更好的泛化性，但這僅僅體現在姿态上，卻以犧牲寬松衣服重建效果爲代價，相當于忘記了 Clothed Human Reconstruction 這個問題的 " 初心 "。
因此，如何在不犧牲姿态穩定性的情況下，盡量保證靈活拓撲，就成爲繞不過去的問題。
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 " 地将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，我們引入了一個後處理模塊 ( -loop_cloth ) ，對于 ICON 直出的 mesh，用從圖像中估計的 normal 進行 " 二次抛光 "，這個沒寫在論文中，但實際效果還不錯，抛光後的 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 抛光
但抛光僅僅就是抛光，它依舊不能解決拓撲的問題。
裙子裂了，再抛光也不過就是" 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，那麽有沒有可能，讓法向圖 ( Normal map ) 來主導整個重建過程，而不僅僅用來做二次抛光呢？
之前的抛光，" 主 " 是粗糙的幾何，" 輔 " 是 normal。
如果主輔易位，normal 作爲 " 主 "，而粗糙幾何 SMPL body 作爲 " 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 不明确；
2、normal map 本身又是有噪聲的；
3、那麽 normal 就很難通過優化過程，唯一确定 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，所以如果可以将人體先驗，即 SMPL-X depth，作爲一個幾何軟約束 ( soft geometric constrain ) ，加入到整個 Normal Integration 的優化方程中。那麽不光懸崖落差有了一個大緻的初始值，normal 中的噪聲也被約束住了，避免因 normal noise 幹擾整個積分過程，導緻表面突刺 ( 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，稱爲 IF-Nets+，其結果我們标記爲 ECONIF。
△ 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，其結果我們标記爲 ECONEX。
換言之，就是将 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 更幹淨，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，因此形變後的 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 ) ，因爲快且穩定，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 是将 feature encoder 簡化爲七維度的手工特征，ECON 就是将 encoder + implicit regressor 合并爲一個 explicit optimizer，這樣問題本身，就從 data-driven learning，轉化爲一個純優化問題。
從此我們隻需要關注用什麽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，這也是标題的立意，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，顯式隐式各自表述。
而且 ECON 的三明治結構，也适用于通用物體，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，已經内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
這裏我和李傑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 不準确導緻的地闆穿模問題，同時，紋理隻有正面，因爲看起來很别扭，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，之後搞定了會過來填。
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，伴随着 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），導緻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，并将其引入到 d-BiNI 優化過程中來解決。
△ Failure cases
盡管有以上各種問題，（但個人認爲），ECON 依舊是目前爲止，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，最後的結論是——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，主要還是因爲這個屈腿的問題，所以，隻要 SMPL-X estimate 可以解決掉屈腿的問題（比如像 BEDLAM ( [ 6 ] ) 那樣造 synthetic data，然後用 perfect SMPL-X gt 而不是 pseudo SMPL-X gt 做訓練），那麽 ECON 就是六邊形戰士，單目穿衣人重建界的馬龍（隻要限定詞足夠多，就沒人可以打敗我）。
ECON paves the path towards large-scale human digitization from internet data
最後，多虧了開源社區小夥伴的幫助，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，還是隻想嘗鮮不想配環境的吃瓜群衆，隻要你想用，總有一款适合你。
後續有興趣讨論的，可以 Github 上提 issue，或者加入我們的 Discord 讨論組 ( 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/
參考鏈接：
[ 1 ] ICON: https://zhuanlan.zhihu.com/p/477379718
[ 2 ] PaMIR: Parametric Model-conditioned Implicit Representation for image-based human reconstruction ( T-PAMIR ’ 21 ) https://github.com/ZhengZerong/PaMIR
[ 3 ] Bilateral Normal Integration ( ECCV ’ 22 ) https://github.com/xucao-42/bilateral_normal_integration
[ 4 ] Any-Shot GIN: Generalizing Implicit Networks for Reconstructing Novel Classes ( 3DV ’ 22 ) https://virtualhumans.mpi-inf.mpg.de/gin/
[ 5 ] HybrIK-X: Hybrid Analytical-Neural Inverse Kinematics for Whole-body Mesh Recovery ( arXiv ’ 23 ) https://jeffli.site/HybrIK-X/
[ 6 ] BEDLAM: A Synthetic Dataset of Bodies Exhibiting Detailed Lifelike Animated Motion ( CVPR ’ 23, Highlight ) https://bedlam.is.tue.mpg.de/
