基于测地距离损失的刚体标记器端运动捕捉
计算机视觉与模式识别
2025-11-21 v1 人机交互
摘要
基于标记的光学运动捕捉（MoCap）长期以来因其准确性而被视为黄金标准，但面临实际挑战，如准备工作耗时且标记识别存在歧义，由于其依赖密集标记配置，本质上限制了其可扩展性。为此，我们提出一种新的MoCap基本单元——刚体标记（Rigid Body Marker, RBM），它提供无歧义的6自由度数据，显著简化了设置流程。借助这种新的数据模态，我们开发了基于深度学习的回归模型，直接在测地距离损失下估计SMPL参数。该端到端方法在计算效率上优于优化方法，所需计算资源降低了一个数量级。模型基于AMASS数据集上的合成数据进行训练，实现了身体姿态估计的状态机顶级准确性。真实世界数据采用Vicon光学跟踪系统进一步证明了该方法的实际可行性。总体而言，结果表明，稀疏6自由度RBM结合基于流形的测地距离损失，为图形学、虚拟现实和生物力学领域的实时运动捕捉提供了实用且高保真的解决方案。
引用
@article{arxiv.2511.16418,
title = {End-to-End Motion Capture from Rigid Body Markers with Geodesic Loss},
author = {Hai Lan and Zongyan Li and Jianmin Hu and Jialing Yang and Houde Dai},
journal= {arXiv preprint arXiv:2511.16418},
year = {2025}
}
备注
The source code is available in : https://github.com/wer010/GLRBM-Mocap