LaxMotion：重新思考 3D 人体运动生成中的监督粒度
计算机视觉与模式识别
2026-03-09 v2
摘要
最近的 3D 人体运动生成模型在重建精度方面表现突出，但在训练分布之外的泛化性方面存在挑战。这一限制部分源于使用精确的 3D 监督，导致模型致力于拟合固定坐标模式，而非学习必需的稳健泛化所需的本质 3D 结构和运动语义线索。为克服这一限制，我们提出 LaxMotion，一个在没有直接 3D 姿态监督的情况下合成真实 3D 运动的框架。与回归到确切坐标不同，LaxMotion 将 3D 运动学习为全球轨迹和单目 2D 运动学线索的一致解释。我们引入了结构化运动分解，并在放宽可观测性下的重新定义训练范式中进行支持。该设计进一步受到放宽的正则化目标的支持，这些目标强制执行视图一致对齐、方向一致性和结构稳定性。在这种放宽监督范式下，LaxMotion 生成多样化的、在时间上连贯的、与语义对齐的 3D 运动，实现了与完全 3D 监督方法相当或更好的性能。这些结果表明，从确切坐标匹配转向结构一致性监督，有助于促进更深入的推理并提高泛化性，为 3D 运动生成提供了可扩展且数据高效的范式。
引用
@article{arxiv.2511.11368,
title = {LaxMotion: Rethinking Supervision Granularity for 3D Human Motion Generation},
author = {Sheng Liu and Yuanzhi Liang and Sidan Du},
journal= {arXiv preprint arXiv:2511.11368},
year = {2026}
}