参数高效的多视角熟练度估计：从判别式分类到生成式反馈
计算机视觉与模式识别
2026-05-06 v1
摘要
估计一个人执行动作的好坏程度，而不是执行了哪个动作，是教练指导、康复治疗和人才识别的核心。这项任务具有挑战性，因为熟练度编码于时间、平衡、身体力学和执行中的细微差异中，这些差异通常分布在多个视角和短暂的时序事件中。我们讨论了在 Ego-Exo4D 上进行多视角熟练度估计的三个近期贡献。SkillFormer 引入了一种用于选择性多视角融合的参数高效判别式架构；PATS 通过保留基础动作的局部密集摘录来改进时间采样；ProfVLM 将熟练度估计重新表述为条件语言生成，通过门控跨视角投影器和紧凑的语言主干网络，同时生成熟练度标签和专家风格的反馈。这些方法共同在 Ego-Exo4D 上实现了 SOTA 准确率，其可训练参数比 video-transformer 基线少达 20 倍，训练周期少达 3 倍，同时从闭集分类转向可解释的反馈生成。这些结果突显了向结合选择性融合、熟练度感知采样和可操作生成反馈的高效多视角系统转变的趋势。
引用
@article{arxiv.2605.03848,
title = {Parameter-Efficient Multi-View Proficiency Estimation: From Discriminative Classification to Generative Feedback},
author = {Edoardo Bianchi and Antonio Liotta},
journal= {arXiv preprint arXiv:2605.03848},
year = {2026}
}