验证器引导的3D人体形状生成合成数据增强

基于摘要分析。研究针对3D人体生成中训练数据多样性不足的问题：保守模型容易局限于已有样本，探索性模型则可能产生不合理的人体比例。作者提出验证器引导的合成数据增强框架，用全局与模态局部 PCA 生成低成本候选，经人体几何约束筛选后，用接受的候选重新训练扩散模型。 核心机制是通过弹性配准获取模态结构与稠密解剖对应关系：前者支持 distributed PCA，后者用于计算骨骼比例和身体部位几何，使筛选无需对每个候选分别拟合人体模型。作者报告，盲法人类评价更偏好验证器接受的输出而非拒绝的输出，支持验证器作为保守质量关卡；评价人数、判定协议及统计信息尚未验证。 作者将完整候选池的验证器接受率，与接受样本的覆盖性及偏离程度分别评估，并通过 EAUC 综合衡量。在包含4,498个已配准 DFAUST 表面的评估中，作者报告 distributed-PCA 增强的接受率为86.32%，CP-AUC为0.871、EAUC为0.752，后二者均为所比较方法中的最高值；摘要还报告，相较仅真实数据训练及自增强的扩散模型，EAUC提高32%。该32%是相对提升，不是百分点变化。表面数量不等于被试人数，数据划分、指标定义、基线配置及不确定性尚未验证。 复现需核对弹性配准、模态划分、PCA候选采样、验证器阈值与校准、扩散模型重训练及 EAUC 计算方式。该机制依赖稠密解剖对应与可校准的人体测量，不能直接视为 EEG/BCI 数据增强的有效证据；相关 EEG 工作尚未检索确认。