Variational Autoencoders per la generazione e la manipolazione di mesh 3D

La sintesi probabilistica di modelli umani tridimensionali è un problema centrale nella computer graphics, nella biomeccanica e nella visione artificiale. Nonostante l’efficacia dei recenti modelli generativi profondi, la compressione della complessa dimensionalità anatomica produce spesso artefatti geometrici, come distorsioni locali, compenetrazioni dei tessuti o rotazioni articolari innaturali. Questa tesi esplora l’utilizzo dei Variational Autoencoders (VAE) per la generazione e la manipolazione di mesh 3D, affrontando la problematica su due domini di complessità distinti: le deformazioni morfologiche statiche e la modellazione delle pose corporee. Per le geometrie statiche a topologia fissa (volti e corporature), vengono progettate e confrontate architetture basate su reti convoluzionali su grafi (GCN) di natura spettrale (ChebConv) e spaziale (SAGEConv), valutandone la capacità di preservare i dettagli geometrici della superficie. Per il dominio delle pose corporee, il lavoro introduce un’architettura generativa pro- fonda che integra il modello parametrico differenziabile SMPL direttamente nel grafo computazionale. L’elemento distintivo del framework è l’implementazione di specifi- che funzioni di costo ausiliarie nel processo di ottimizzazione end-to-end, finalizzate a penalizzare configurazioni articolari anomale e situazioni di eccessiva prossimità tra specifici gruppi articolari. Le sperimentazioni, condotte sui dataset COMA, Yang-Dataset, AMASS, dimostrano l’apprendimento di spazi latenti compatti, continui e manipolabili. I risultati eviden- ziano che le reti su grafi consentono di ottenere interpolazioni progressive e variazioni semanticamente coerenti delle morfologie, mentre l’introduzione di vincoli geometrici nella pipeline delle pose contribuisce a migliorare la plausibilità delle configurazioni generate.