Anny-Fit：破解全年龄段 3D 人体恢复的“深度-缩放”迷局

TL;DR

在 3D 人体网格恢复（HMR）领域，长期存在一个被忽视的假设：人都是成年人。Anny-Fit 突破了这一限制，通过融合视觉语言模型（VLM）的语义直觉和度量深度图，首次在统一的相机坐标系下实现了从婴儿到老人的高精度多目标 3D 恢复。

核心痛点：消失的“成年人假设”

在单目视觉中，深度估计是一个典型的病态问题。以往的模型之所以能跑通，是因为它们默认人体大小是恒定的——通过画面中人的大小，就能反推其距离。

然而，在全年龄场景下，这个逻辑崩塌了：一个矮小的轮廓，究竟是远处的姚明，还是眼前的孩子？

图 1：相同的 2D 投放投影可以对应完全不同的 3D 实体，如果不识别受试者的年龄，系统将无法正确定位空间位置。

方法论：专家知识与多目标联合优化

Anny-Fit 的核心直觉是：既然几何上存在二义性，就用语义来补全。

1. VLM 驱动的语义初始化

作者巧妙地将形状估计转化为一个“分类任务”。利用 Qwen2.5-VL 等模型，对图像中的人头进行热启动裁剪，询问其年龄范围（婴儿、幼儿、儿童、青少年、成年、老年）。这些语义标签被映射到 Anny 模型（一个覆盖全生命周期的参数化人体模型）的连续 shape 空间 β 中。

2. 相机空间的场景一致性

不同于前人对每个人单独裁剪优化的做法，Anny-Fit 在全局相机空间内操作。它引入了：

• 深度排序损失 (Depth Ordering Loss)：利用单目深度估计专家模型确定人与人之间的相对前后关系。
• 多阶段优化策略：先定平移（初步位姿），再定形状（利用 VLM 先验），最后精调全身关节。

图 2：Anny-Fit 的工作流程。它整合了关键点、分割掩码、深度图和 VLM 提取的年龄/性别属性，通过多阶段优化输出一致的 3D 场景。

实验战绩：让成年人模型“一键”适配全年龄

Anny-Fit 最令人兴奋的能力在于其 Zero-shot 适配能力。研究者发现，即使是一个只见过成年人的预训练模型（如 CameraHMR），在经过 Anny-Fit 的优化后，其在儿童场景下的 3D 误差也下降了近 30cm，形状估计准确率（Gender F1）提升了 80% 以上。

表 1：在 CMU Toddler（幼儿数据集）上的 3D 评估。Anny-Fit 在 MPJPE 指标上带来了显著的精度跃迁。

深度洞察：伪标签的降维打击

这篇论文的另一个重大贡献是规模化伪标签生成。由于隐私和伦理问题，标注真实的儿童 3D 数据极其困难。Anny-Fit 在 MS-COCO 这种大规模自然数据集上运行优化，生成了数万个高质量的 3D 标注。实验证明，用这些“人造数据”训练模型，效果远超传统的合成数据，这为 HMR 领域的“数据荒”提供了一条极具工业价值的路径。

总结与价值

Anny-Fit 不仅仅是一个优化算法，它代表了 HMR 领域从“感知几何”向“理解人类属性”的转变。通过显式地对年龄、性别等生理特征建模，它让 AI 第一次拥有了分辨“大手牵小手”这种温馨场景的 3D 空间感。

虽然它仍依赖高质量的专家模型初始化（如 keypoint 识别如果崩了，优化也会跑偏），但作为全年龄段重建的先驱工作，其对场景连贯性的处理值得所有视觉研究者借鉴。