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.
3 天有情绪数据
-
AI系统凭借新颖的聚合技术赢得帕金森步态挑战赛
研究人员开发了一个系统，通过预测步态严重程度的运动数据，赢得了2026年帕金森步态MoCha基准测试和挑战赛。该系统在隐藏测试集上取得了0.6945的宏观F1分数，优于其他58个参赛项目。其成功的关键在于重现了基准测试的头部配方，对受试者分组内的每次行走后验进行平均，以及对特征和决策点进行无标签的转导校准。值得注意的是，微调运动编码器或使用替代编码器会导致性能下降。
-
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。
-
新方法量化并减少视频关节力矩估计中的噪声
研究人员开发了一种新方法来分析和缓解基于视频的关节力矩估计中的噪声放大问题。他们的研究表明，在计算关节力矩时，姿势估计噪声会被放大约 1000 倍。研究还强调，近端关节比远端关节对这种噪声更敏感，并且在微分前进行低通滤波可以显著减少放大。为了支持这一分析，他们创建了 SMPL-Dynamics，这是 SMPL 身体模型的一个可微分模块，可以进行端到端梯度计算，并通过可微分姿势精炼将力矩误差降低了 93%。
-
人工智能利用骨骼数据检测3D环境中的 असंकेत गति
研究人员开发了一种新的人工智能管道，利用骨骼数据检测3D虚拟环境中的 असंकेत और स्पष्ट गति。该系统基于Laban运动分析描述符分析运动片段，在区分适合工作和不适合工作的内容方面达到了78.7%的准确率。研究发现，不同的运动质量与不同程度的 असंकेत 相关，表明该分类法反映了运动的真实差异。
-
毫米波雷达扫描提供非侵入式身体成分评估
研究人员开发了使用毫米波（mmWave）雷达扫描评估身体成分的新方法，这种方法可以穿透衣物并保护隐私。一种方法使用多任务学习从毫米波数据中预测内脏脂肪组织（VAT）和体脂百分比（BFP），在VAT方面达到1.0 L的平均绝对误差，在BFP方面达到3.2%。另一种方法采用优化框架，通过将参数化身体模型直接拟合到毫米波点云来重建3D人体形状并提取人体测量数据，为传统的测量方法提供了一种快速、非接触且保护隐私的替代方案。
-
研究人员开发新的生成模型，用于逼真的人体几何和服装细节
研究人员开发了一种新颖的人体几何生成模型，显著提高了创建逼真3D化身的质量和效率。这种新方法将几何分布编码为2D特征图，并利用SMPL模型，优化流速度场以提高准确性。该框架采用两阶段训练过程，首先使用扩散流模型将分布压缩到潜在空间，然后在该潜在空间上训练另一个流模型。实验表明，在姿势条件化化身生成和新颖姿势合成等任务中，几何质量提高了57%。
-
Action Motifs 论文介绍了人体运动的自监督分层表示
研究人员开发了一种新颖的人体运动分层表示方法，称为 Action Motifs。该系统使用 Action Atoms 捕捉原子关节运动，并使用 Action Motifs 对这些运动的时间组合进行编码。A4Mer 模型是一个嵌套的潜在 Transformer，以自监督方式从 3D 姿势数据中学习这种表示，在动作识别和运动预测等任务中取得了成效。
-
ETCH-X 和 OmniFit 通过新方法推进带衣三维人体拟合
研究人员开发了 ETCH-X，一种将参数化人体模型拟合到带衣人体三维扫描的先进方法。这种新方法通过引入“贴合度感知”拟合范式来处理服装动力学，并利用 SMPL-X 扩展表达性，从而改进了其前身。ETCH-X 利用隐式密集对应而非显式标记来实现更高的鲁棒性和精细的细节，在各种数据集上取得了显著的性能提升。