AtomicMotion：从不同人体部件学习人体运动
计算机视觉与模式识别
2026-05-22 v1
摘要
准确重建稀疏头部和手部轨迹的人体全身姿态是沉浸式 AR/VR 远程演示的基础挑战。当前方法常因误差累积和不自然的关节协调而难题，其主要原因是将人体视为单一实体，无法捕捉细粒度“原子意图”嵌入信号细微变化中的信息，忽略了固有的结构拓扑。为弥合这一差距，我们提出 AtomicMotion，一个旨在通过三项核心创新实现分解和重集成身体动力学的框架。第一，我们引入一种逻辑身体分区方案，将骨骼分为基于功能意图的五个distinct 集群；这确保每个分区保留内部关节协同，同时隔离局部运动原语。第二，为稳健地将稀疏输入映射到高维姿态，我们在训练期间采用掩码式全身预条件策略，迫使模型内化全局骨骼拓扑和潜在运动约束。最后，针对常规空间注意力往往忽视固定生理连接性的局限，我们提出 Kinematic Attention。通过将经典运动树结构嵌入注意力机制，我们确保合成运动的生物学合理性。在 AMASS 数据集上的大规模评估表明，AtomicMotion 显著优于现有基准，实现更高的重建保真度和更佳的生物力学真实性。
引用
@article{arxiv.2605.22631,
title = {AtomicMotion: Learning Human Motion From Different Human Parts},
author = {Runzhen Liu and Chuhua Xian and Fa-Ting Hong},
journal= {arXiv preprint arXiv:2605.22631},
year = {2026}
}