BioAMASS

BioAMASS数据集旨在为动态人体表面内部的三维骨骼位置和方向的学习提供数据支持。该数据集通过将新的生物力学骨骼模型（BSM）拟合到AMASS数据集中的SMPL人体模型序列中而创建。BioAMASS数据集使得能够训练出一个回归器，将SMPL网格顶点映射到优化的关节位置和骨骼旋转，从而促进了SKEL模型的生成。SKEL模型结合了皮肤和骨骼网格，两者均同步地由相同的姿态参数控制，并且可以通过继承SMPL形状空间进行重塑。

The BioAMASS dataset is developed to provide data support for learning the 3D positions and orientations of skeletal joints within dynamic human body surfaces. It is constructed by fitting a novel biomechanical skeletal model (BSM) to the SMPL human motion sequences from the AMASS dataset. The BioAMASS dataset enables training a regressor that maps SMPL mesh vertices to optimized joint positions and bone rotations, thereby facilitating the generation of the SKEL model. The SKEL model integrates both skin and skeletal meshes, both of which are synchronously controlled by the same pose parameters and can be reshaped by inheriting the SMPL shape space.

搜集汇总

数据集介绍

构建方式

BioAMASS数据集的构建源于对生物力学精确骨骼模型与参数化人体表面模型融合的需求。研究团队采用AMASS数据集中的SMPL网格序列作为基础，通过虚拟标记点模拟光学运动捕捉系统，并利用AddBiomechanics优化框架将定制开发的生物力学骨架模型（BSM）配准到SMPL网格内部。该过程涉及对113名受试者的2198组动作序列进行优化，最终形成包含配对表面网格与骨骼姿态的高精度数据集。

特点

该数据集的核心特点在于其首次实现了大规模运动序列中人体表面与内部骨骼的精确对应。数据集涵盖多样化的身体形态与挑战性姿态，包含个性化骨骼缩放参数与生物力学关节角度。相较于传统参数化模型，BioAMASS提供的骨骼定位误差低于厘米级，且通过肩胛骨滑动、脊柱弯曲等生物力学约束，确保了骨骼运动的解剖学合理性。

使用方法

BioAMASS主要用于训练从表面网格到骨骼关节的回归器，并支撑SKEL模型的开发。研究者可首先加载SMPL网格序列，通过预训练的回归器直接预测解剖关节位置；或采用优化方法将SKEL模型拟合至现有SMPL网格，以升级传统视觉数据集为包含生物力学真值的数据。该数据集还可用于生物力学分析与临床运动研究，通过逆向动力学计算肌肉激活状态。

背景与挑战

背景概述

BioAMASS数据集由马克斯·普朗克智能系统研究所、斯坦福大学等机构的研究团队于2025年联合创建，旨在解决计算机视觉与生物力学领域之间的模型隔阂。该数据集通过将生物力学精确的骨骼模型（BSM）与AMASS数据集中的SMPL网格序列配对，构建了皮肤表面与内部骨骼的对应关系。其核心研究问题聚焦于如何从单目图像或视频中推断具有生物力学意义的3D人体姿态，为运动分析、医疗诊断和虚拟人技术提供了跨学科基础，显著提升了数字人体模型的解剖学准确性和应用范围。

当前挑战

该数据集首要解决生物力学参数从视觉数据中回归的挑战，即如何从表面皮肤运动推断内部骨骼的运动学参数，同时克服SMPL模型关节简化与真实解剖结构不匹配的问题。构建过程中的挑战包括：缺乏配对标注数据时通过AddBiomechanics优化生成伪真值骨骼的可靠性；个性化骨骼缩放与标记点偏移的优化；以及如何将不同身体形状和运动姿态下的骨骼位置统一到标准化参数空间中，确保生物力学约束下的运动合理性。

常用场景

经典使用场景

在生物力学与计算机视觉交叉领域，BioAMASS数据集通过将生物力学骨架模型BSM与SMPL人体网格序列配对，为从皮肤表面估计内部骨骼运动提供了关键训练数据。该数据集支持学习从SMPL顶点到解剖关节位置的映射，使得研究者能够基于外部观察推断内部生物力学参数，为无标记运动捕捉技术提供了数据基础。

解决学术问题

BioAMASS解决了传统参数化人体模型（如SMPL）缺乏解剖学准确性的问题，其骨骼结构与真实人体关节位置和运动机制不匹配，限制了在生物力学分析中的应用。通过提供配对的内外数据，该数据集使研究者能够开发更准确的关节定位算法，并支持生物力学参数的直接回归，填补了计算机视觉与临床生物力学之间的数据鸿沟。

衍生相关工作

基于BioAMASS衍生的SKEL模型首次实现了皮肤与骨骼的同步驱动，其生物力学骨架参数化方法启发了后续工作如OSSO和BOSS的改进。这些工作进一步探索了从医学影像中学习骨骼几何形状，或构建皮肤-骨骼-器官一体化模型，推动了数字人体模型在虚拟手术、运动仿真等领域的应用。