DirtyMoCap Полный мокап «грязных» маркеров — разреженных, перепутанных и без разметки. Восстанавливает SMPL-H движение: поза, кисти, глобальное перемещение и телосложение. SIGGRAPH Asia 2026 • Любая раскладка маркеров: одна модель, без заданного набора • Маркеры могут быть перепутаны и без меток кадр за кадром • Фиксированные якоря тела — суставы и точки поверхности — стабильный промежуточный слой • Learned confidence: солвер решает, каким точкам верить, отсеивая выбросы • До 100× быстрее стандартного PyTorch-солвера за счет CUDA Проверяли на старых сырых захватах китайских боевых искусств без разметки: 134 записей, ~180 минут, 22 стиля — собрали новый датасет кунг-фу. Это для оптических маркерных систем, не видео-мокапа. Код и данные пока закрыты; MoSh++ все еще чуть точнее по поверхности тела, но только за счет размеченных маркеров github.com/WangLongZJU/DirtyMoCap - ждем #mocap MAX

FlowHMR Физически правдоподобный мокап из обычного видео. Из монокулярного ролика восстанавливает глобальное 3D-движение человека, которое физический контроллер реально может повторить в симуляции. • 0.46B • Глобальный 3D-motion из одиночного видео • Движение физически корректно — симулируемый персонаж может его отследить • Flow matching + physics-based GRPO • Демо в 3D-вьювере прямо на сайте Как применяют • Робототехника: ретаргет на Unitree G1, трекинг в симуляции через SONIC • Анимация: реконструкция сцены и ретаргет через GPT-6 Astra • Text-to-motion: генерация видео через MiniMax H3, затем захват движения FlowHMR Гитхаб HF #mocap MAX