Skinned Multi Person Linear Model
PulseAugur coverage of Skinned Multi Person Linear Model — every cluster mentioning Skinned Multi Person Linear Model across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI运动分析用于帕金森病严重程度估计在2026年ECCV竞赛中获得第三名
研究人员开发了一种通过人类运动分析估计帕金森病严重程度的新方法，在2026年ECCV的MoCha挑战赛中获得第三名。他们的方法利用了Qwen2.5-7B-Instruct生成的语言对齐运动表征，并使用GPT-5.5进行伪标签优化。该技术采用Bi-GRU骨干网络和领域特定模型的参数级合并，在未见过的数据上实现了0.57的宏观F1分数，且模型尺寸紧凑。
-
新数据集和模型推动跨传感器步态识别发展
研究人员开发了两个新的步态分析数据集和框架。SynthGait-19K 是由 Hugging Face 创建的一个大型合成视频数据集，包含超过 19,000 个视频和六个步态参数的地面真实标注，旨在改进基于视频的步态估计。同时，MMGait 提供了一个多传感器基准测试，实现了可见光、红外、深度、激光雷达和雷达等多种模态的步态识别统一。该基准测试还引入了 OmniGait++ 模型，该模型能够在单模态、跨模态和多模态设置下进行统一识别，…
-
YuanDian Robotics推出OpenBridge以统一人形机器人开发
Lexiang Technology旗下的YuanDian Robotics正在开创人形机器人的开源生态系统，旨在解决困扰该行业的碎片化问题。通过与CMU合作，他们发布了两篇关键论文：BRIDGE，详细介绍了AI原生硬件设计理念；FlowMimic，一个开源指令控制解决方案。这项名为OpenBridge的举措，旨在为机器人开发创建统一标准，类似于Android在移动行业的影响，使开发人员和制造商能够在一个通用框架上进行协作。
-
新方法改进单张图像的3D人体网格恢复
研究人员开发了一种名为CQF-HMR的新方法，用于从单个2D图像进行概率性3D人体网格恢复。该方法利用四元数约束的连续归一化流，相比其他旋转表示具有优势。该方法旨在为动画和数字人等下游应用生成更合理的三维姿态，在Human3.6M数据集上优于现有技术，并在3DPW和EMDB基准测试中取得有竞争力的结果。
-
新的三维人体重建方法使用对比学习
研究人员开发了一种新颖的前馈方法，用于从多个摄像机视图中重建多人的三维模型，即使在存在遮挡的非约束环境中也是如此。该方法采用自顶向下的范式，建立了一个统一的、以实例为中心的人体感知三维空间。该空间通过跨模态对比学习实现同时的相机标定、跨视图关联和人体重建，在实例级别编码几何、视觉和语义线索。该系统通过从三维人体标记回归SMPL参数来恢复结构化人体模型，在具有挑战性的真实场景中表现出鲁棒且高效的性能。
-
新AI方法根据文本描述生成绘画的3D布景
研究人员开发了一种名为text-to-editable 3D staging的新方法，可以根据文本描述生成人体姿势、光照和相机角度。该技术在超过11,000个源自具象绘画的文本-布景对上进行了训练，重建了SMPL人体模型，估计了光照，并恢复了相机参数。训练好的模型是一个流匹配Transformer，可以为给定的提示生成多个布景替代方案，并显示出比现有的基于CLIP的方法更高的检索准确率。
-
新的RASA框架将空间和运动先验分离用于角色动画
研究人员开发了RASA，一个用于跨身份角色动画的新框架，该框架将空间映射与运动控制分离开来。该系统使用一个两阶段过程：一个空间先验校准器（Spatial Prior Calibrator）来对齐身份与运动，以及一个内在运动引导器（Inherent Motional Guider）来编码关节参数。这种方法旨在提高角色动画的运动保真度和视觉质量，为该领域建立新的范式。
-
用于帕金森步态严重程度估计的AI模型结果喜忧参半
两篇提交至arXiv的研究论文探讨了使用运动捕捉数据评估帕金森步态严重程度的方法。第一篇论文详细介绍了一个在MoCha 2026 Benchmark and Challenge中的获胜方案，该方案通过关注受试者级别后验聚合和传导校准，取得了0.6945的宏观F1分数，优于其他58个参赛方案。第二篇论文研究了运动数据增强的影响，发现更多数据并非总是更好，语料库构成，特别是步速的变化，对于使用MotionAGFormer等模型改进严重程度…
-
新的基准和数据集推动人体运动追踪和生成技术发展
研究人员推出了新的评估人体运动追踪和生成任务的基准和数据集。HiPHI提供了超过600小时的高保真运动数据，并遵循语言学原理进行指导，以改进人形策略学习。HumanTracker提供了一个包含153小时运动数据的基准，以及一个名为HumanScore的新指标，该指标旨在与人类对运动质量的感知保持一致，特别关注物理接触和稳定性。此外，PRISM提出了一个新颖的流式人体运动生成框架，将运动分解为运动学单元，在学术数据集上的表现优于现有的文…
-
新的体积身体模型通过KTPolyRigid变换改进胎儿MRI分析
研究人员开发了一种新的可微分体积身体模型，用于医学成像分析，采用了新颖的基于运动树的对数欧氏多刚体（KTPolyRigid）变换。该方法通过整合内部体积结构并确保解剖一致性，解决了现有基于表面模型的局限性。KTPolyRigid变换旨在解决大关节运动中的歧义并促进平滑的体积映射，从而减少胎儿MRI数据中的折叠伪影。该框架支持稳健的组群图像配准和高效的基于模板的胎儿器官分割。
-
新的T3HG-Editor支持文本驱动的3D人体服装编辑
研究人员推出T3HG-Editor，一种新颖的文本驱动3D人体服装编辑系统。该方法解决了现有3D高斯编辑方法的局限性，这些方法在应用于服装时常常产生低保真度和不一致的结果。T3HG-Editor利用SMPL-X模型嵌入的几何和联合先验，通过三个阶段实现高保真度和服装一致性编辑：获取可编辑高斯、执行服装一致性编辑以及通过溢出修剪更新高斯。
-
Superman框架统一人类运动感知与生成
研究人员推出Superman，一个旨在统一人类运动感知与生成任务的新型框架。该系统弥合了从视频理解运动与生成基于骨骼的时间运动之间的差距。Superman利用视觉引导运动标记器，从视觉数据和3D骨骼创建统一的、跨模态的运动词汇。单一的MLLM架构随后处理各种任务，包括从视频进行3D姿态估计，以及基于骨骼的运动预测和插值，在Human3.6M等基准测试中取得了最先进的成果。
-
从单次 CT 扫描创建患者特异性关节式数字孪生
研究人员开发了一种从单次全身 CT 扫描创建患者特异性关节式数字孪生的方法。该技术将参数化人体模型拟合到运动支架上，然后将分割的骨骼和器官绑定到解剖感知 rig 上。生成的数字孪生可以表示由于患者重新定位引起的人体解剖学变化，在不同姿势下保持骨骼几何结构和放射学结构。
-
新框架从单目视频估计3D人体运动和动力学
研究人员开发了MonoMSK，一个用于从单目视频估计3D人体运动和动力学的新颖框架。这种混合方法结合了数据驱动学习和基于物理的模拟，利用了解剖学上精确的肌肉骨骼模型。通过将基于Transformer的逆动力学与可微分正向运动学和基于ODE的模拟相结合，MonoMSK强制执行生物力学因果关系和物理合理性，在运动学精度上优于现有方法，并能够从单摄像头录像中精确估计动力学。
-
PoseShield 解决姿态估计中的人体自碰撞问题
研究人员开发了 PoseShield，一种解决人体姿态估计和运动生成中自碰撞问题的新颖方法。该技术在 SMPL 姿态空间内直接定义了神经碰撞约束，将校正表述为约束优化问题。PoseShield 利用 Eikonal 正则化来提高数值稳定性和鲁棒性，在低维姿态空间而非网格空间中运行。该方法还可以作为运动序列的后处理碰撞校正器，无需重新训练原始模型，在新基准测试中取得了 95.8% 的成功率。
-
EMOSH 框架解耦运动与形状，实现富有表现力的人体动画
研究人员开发了 EMOSH，一个用于生成高保真人动画的新框架，解决了运动-形状纠缠的问题。EMOSH 引入了一个富有表现力的人体模型 (EHM)，明确解耦了形状和姿态参数，解决了先前方法中出现的身体形状泄露问题。该框架还包含了一个强大的运动追踪器、一个用于精细控制表情和手势的粗到精混合运动注入策略，以及一个用于提高身份一致性的空间对齐条件机制。
-
TopoCap框架可将任何3D角色从视频中动画化
研究人员开发了TopoCap，一个新颖的框架，用于从单目视频生成可适应任何骨骼结构的动画。该系统学习了一个通用的运动流形，将运动动力学与特定拓扑分离开来。它利用图CVAE和条件流匹配从视觉输入预测拓扑无关的运动代码。该框架在Mobjaverse上进行了训练，这是一个包含超过5000个骨骼拓扑的大规模数据集，能够对各种3D角色进行零样本重定向。
-
EgoPriMo框架从人类演示生成人形机器人运动
研究人员开发了EgoPriMo，这是一个用于通过以自我为中心的人类演示生成人形机器人全身运动的新框架。该系统接收以自我为中心的视觉观察和文本提示，以重建、生成和预测基于SMPL的运动。EgoPriMo利用了Triple-stream DiT模型，该模型处理身体动力学、视觉上下文和文本，使其能够从多样化的人类动作中学习可泛化和交互式的运动先验。
-
新方法可从单张照片生成逼真的3D头像
研究人员开发了两种从单张图像生成逼真3D人体头像的新方法。Splatshot将3D高斯溅射与扩散模型相结合，以确保几何一致性和照片级真实感，即使是未经约束的输入照片。HumanNOVA利用大规模数据生成管道和前馈架构，能够快速创建高保真头像，无需测试时优化。
-
MotionPRO数据集通过压力数据增强人体动作捕捉
研究人员开发了MotionPRO，这是一个新的人体动作捕捉数据集和方法论，它将压力传感器数据与传统的视觉和光学传感器数据相结合。这种方法旨在提高捕捉到的动作的物理合理性，解决现有方法中常见的计时漂移和空间不准确等问题。实验表明，仅凭压力数据就可以提供准确的全局轨迹和合理的姿势，将其与RGB数据融合可以显著提高驱动虚拟人类和实现人形机器人更精确动作的性能，从而推动具身人工智能的发展。