面向高保真人体运动预测的频域Kalman细化
计算机视觉与模式识别
2026-03-24 v1
摘要
随机人体运动预测旨在从观察序列生成多样、合理的未来。尽管生成式建模取得了进展，现有方法常常产生高频抖动和时间不连续的预测。为此，我们引入KHMP，一种新型框架，应用DCT域中的自适应Kalman滤波器生成高保真人体运动预测。通过将高频DCT系数视为频率索引的噪声信号，Kalman滤波器递归抑制噪声同时保留运动细节。值得注意的是，其噪声参数基于估计的信噪比（SNR）动态调整，使对抖动预测实现激进去噪，同时对干净运动采用保守滤波。该细化通过训练时的物理约束（时间平滑性和关节角度限制）实现，编码生物力学原理以整合到生成式模型中。正是这些创新构成了将自适应信号处理与物理信息学习相结合的新范式。在Human3.6M和HumanEva-I数据集上的实验表明，KHMP实现了最先进的准确度，有效缓解抖动伪影，生成平滑且生物力学上合理的运动。
引用
@article{arxiv.2603.21327,
title = {KHMP: Frequency-Domain Kalman Refinement for High-Fidelity Human Motion Prediction},
author = {Wenhan Wu and Zhishuai Guo and Chen Chen and Srijan Das and Hongfei Xue and Pu Wang and Aidong Lu},
journal= {arXiv preprint arXiv:2603.21327},
year = {2026}
}