研究人员开发了FlowHMR，一个从单目视频生成物理上可行的3D人体运动的新框架。该方法通过将运动捕捉构建为视频条件生成问题来解决先前方法的局限性，并使用组相对策略优化（GRPO）进行增强。FlowHMR使用保真度和跟踪奖励来确保运动与输入视频一致，并且能够被基于物理的控制器成功跟踪。在新Wild-4K数据集上的实验表明，FlowHMR的性能显著优于现有方法，物理跟踪成功率达到82.47%，而最强的基线GVHMR为62.82%。 AI
影响 该框架提高了从视频中捕捉3D人体运动的保真度和物理可行性，有望推动动画、机器人和虚拟现实等领域的应用。
排序理由 该集群描述了一篇关于从视频进行运动捕捉的新颖框架的最新研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
We present FlowHMR, a framework for recovering physically plausible global 3D human motion from monocular video. Previous learning-based methods typically regress human motion directly from video and train the network with geometric supervision. However, recovering human motion f…
arXiv:2610.03691v1 Announce Type: new Abstract: We present FlowHMR, a framework for recovering physically plausible global 3D human motion from monocular video. Previous learning-based methods typically regress human motion directly from video and train the network with geometric…