无需照片和 GPU，仅八个问题就能重建 3D 人体模型，效果还超棒！

仅需八个问题，无需照片和 GPU 即可重建 3D 人体模型

2026 年 4 月 22 日，工程、机器学习、人体重建、生产领域有了新成果。只需回答八个问题，就能输出 58 个 Anny 人体参数。一个经过物理感知损失函数训练的小型 MLP 模型，能在 CPU 上以毫秒级速度运行。身高预测精度可达 0.3 厘米，体重 0.3 千克，胸围、腰围、臀围的误差在 3 - 4 厘米之间。在周长测量方面，这比基于照片的重建方案效果更好，而且无需照片。这就是问卷式重建方案。

背景故事

当想要创建数字替身时，人们自然会想到基于 HMR 照片的重建方法，但这种方法有优缺点。在一次项目低谷期，研究人员提出观点：仅通过身高和体重（无需照片）进行简单的线性回归，就能以 1.2 - 1.6 厘米的平均绝对误差（MAE）预测 15 个人体尺寸。一开始，觉得这似乎不太合理，但对比身边朋友情况后，觉得可能有一定道理。

不只是身高和体重

直观地说，相同身高和体重的人可能有不同体型。下载原始回归模型的权重并在验证集上测试，未经处理的胸围、腰围、臀围的平均绝对误差约为 9 - 11 厘米，最差可达 25 厘米左右。部分误差是由于测量标准不匹配造成的，纠正偏差后，胸围、腰围、臀围的平均绝对误差降至约 7 厘米。Anny 模型在固定身高和体重的情况下有明显的体型变化，而身高 + 体重的回归模型无法捕捉到这些变化。

还有哪些因素有参考价值

相同的身高和体重可能产生不同的体型，可以通过更多参数区分。明显的参数有体型/腹部情况、身材形状、罩杯尺寸。在数据集上计算发现，每个特征都有价值。体型特征在倒三角形身材中最为明显。在极端情况下，相同身高和体重，不同身材形状，胸围可能相差 25 厘米，臀围相差 30 厘米，服装尺码可能相差六个号。问卷式方法的理论最佳腰围平均绝对误差约为 1 厘米。

模型与数据集

上一篇文章介绍了可用的人体模型，初始阶段后只使用 Anny 模型。生成并用于分布分析、训练和验证的数据集包含数万个合成人体模型。Anny 模型有很多混合形状参数，挑选了 58 个相关参数。8 个问卷问题经过独热编码后变成 20 个特征，输入空间是 20 个特征，输出空间是 58 个参数。训练了男女各一个模型。

训练小型 MLP 模型

原始论文使用简单的回归方法预测参数，在合成数据集上，该方法的胸围、腰围、臀围平均绝对误差约为 2.5 厘米，但体重误差较大。因此转向 MLP 模型，它有两个隐藏层，每层 256 个神经元，使用 ReLU 激活函数，并采用了一些 Dropout 技术。模型权重约为 85 KB，在笔记本电脑上每个性别大约需要 60 分钟进行训练。损失函数是关键，将前向传播纳入损失函数，缩小了体重误差。

实际效果

身高预测问题基本解决，男女平均绝对误差均为 0.3 厘米。体重预测也很准确，平均约为 0.3 千克。周长测量更具挑战性，胸围、腰围、臀围的误差在 3 - 4 厘米之间，腰围误差最大。除跟踪平均值外，还跟踪 95% 分位数和最大值，并积极优化。与 Bartol 的身高 + 体重回归模型和基于照片的重建方案相比，问卷式方法无需照片，效果更优。在真实人群上验证，解决体重计算问题后，真实人群数据与合成数据一致。这是一个统计模型，是进行测量调整的很好基础。

经验教训

最令人惊讶的是 Anny 人体测量模块在实际应用中的不一致性。人体密度不是固定值，男性和女性的人体密度不同，“肌肉比脂肪重”。使用按性别划分的仅组织密度中位数校正，经验表明这种方法有效。每 1 厘米都很重要，躯干周长变化会影响体重计算。通过体脂率估算调整密度，对体重预测准确性有很大影响。

这是最终方案吗？

文章未明确给出答案，值得思考。

亲自体验

文章未详细说明如何体验，留给读者去探索。