Verifier-Guided Human Shape：先筛身体比例，再用局部PCA扩充扩散训练
提高验收与新颖度的折中，不等于学到了更广泛真实人群
研究先将DFAUST人体表面对齐，按弹性距离发现六个局部模式，用局部PCA生成候选，再按骨架比例、部件凸包体积和臂截面积代理筛选。接受的合成表面与真实样本混合，从零训练扩散模型。局部提案比自生成回灌更能扩大所测PCA空间，但判据与数据都局限于少量身体和动作。
图解主要方法
合成身体既要偏离有限样本，又不能失去比例约束，怎样检验这种折中？
- 1
建立密集对应
零亏格闭合表面映射球面256²网格，SRNF弹性距离同时优化旋转和重参数化；全局坐标PCA保留25维、超过99%方差。PCA是坐标变形，不是直接在黎曼切空间采样。
- 2
从六个模式提出候选
弹性距离聚类六模式，各自模板与局部PCA，每模式7500个，共45000。均分发生在筛选前，接受池抽样后的模式不必均衡；全局PCA另产100000。
- 3
以对应关系估计比例
120个真实表面拟合SMPL关节监督，再用每关节40邻点的岭回归预测24关节。部件按最近模板三角形转移标签，凸包体积除臂长得到截面积代理，无需逐候选SMPL优化。
- 4
先筛后从零训练
12项长度、体积和臂面积特征均须在训练均值±3标准差。各来源选12000接受样本，与4498真实合并，以相同80/20流程从随机初始化训练DDPM；VAE只作首轮比较。
- 5
分开评价验收与扩展
全池报告接受率；各方法等量抽10000接受样本，在全局PCA中扫最近邻半径得到覆盖/精确/新颖度，EAUC为接受率乘CP-AUC。它是特定分布统计，不是通用真实性分数。
实验与证据
全文及附录A的逐阶段拒绝、真实划分敏感性、人评完整统计读完；图1视觉核验，首发与许可核对。
来源证据DPCA原提案接受66.85%，全局PCA13.82%；增强扩散86.32%，真实数据96.87%，真实单训扩散93.53%。 表1；附录表A1 ↗
我的解读局部提案更少违规，增强后仍低于真实单训的验收率，是以部分验收换探索。
来源证据DPCA增强CP-AUC0.871、EAUC0.752；真实单训0.608/0.569，自增强0.600/0.568。 表4 ↗
我的解读约32%提升来自作者定义的乘积指标，不是人体准确率提升32%。
来源证据DPCA增强50%覆盖半径2.248、50%新颖半径5.160；真实单训1.250与1.412。 表3 ↗
我的解读更远离观察数据同时覆盖变差，需要独立证据确定扩展是否仍真实。
来源证据六人盲评400个均衡样本：接受995/1193个判断有效83.4%，拒绝643/1198仍有效53.7%；365个可判多数票与验证器一致68.2%，κ0.35，评者α0.46。 表2；附录A3 ↗
我的解读支持保守筛选，但人评不完全认同，不能将拒绝等同不可能人体；判断数不是独立模型样本数。
来源证据DPCA增强接受样本人评84.2%，自增强88.9%；附录同时给Wilson及按评者聚类bootstrap区间。 表2；附录A3 ↗
我的解读新颖度最优模型并非人评有效率最优，应同时披露。
来源证据真实目标/伪生成划分95/5时CP-AUC0.122，5/95时0.872。 附录A2 ↗
我的解读指标强烈受相对集合规模影响；接近0.872不能解释为发现了等量新真实人群。
开放情况与使用许可
论文未给出可核实的官方实现、权重或生成数据下载；未标记开源。
LICENSEarXiv非独占托管许可，不是开放代码或图片通用再许可；图1署名原作者，用于必要方法评论。
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
三种增强均选12000个接受样本、相同架构和训练设置，较好隔离合成来源。
分别报告全池接受率和等规模接受集合分布指标，并增加六人盲评。
反方 · 哪些结论还不够
同一验证器负责训练筛选与验收，分数提高不独立证明解剖正确；体积为凸包代理。
相邻帧按独立样本处理，80/20划分不是留人测试；六模式也反映动作，不代表六类真实人体。
CP-AUC受集合规模影响，附录真实划分从0.122到0.872；高分及远离训练样本不能证明覆盖真实未见身体。
综合判断
在窄数据与固定表示内，局部PCA筛选增强有比自回灌更好的验收—探索折中；尚不能证明人群多样性、解剖可靠性或下游人体任务普遍改善。
我会先做的验证
建议实验（尚未执行）：按人和轨迹完全留出，独立解剖检查器加动态自交/关节限制评价；对少数体型单独测误拒与漏拒，固定样本规模报告多种子结果和下游任务收益。