DirtyMoCap: восстановление движения из неразмеченных маркеров
Н@GreenNeuralRobotsAI-инженер
2 недDirtyMoCap — новый метод восстановления SMPL-H движений из «грязных», неразмеченных данных оптического захвата, представленный на SIGGRAPH Asia 2026.
Технология упрощает обработку данных захвата движения, исключая необходимость ручной разметки маркеров.
- Позволяет использовать «грязные» данные с перепутанными или отсутствующими метками.
- Значительно ускоряет процесс обработки за счет оптимизации на CUDA.
- Повышает эффективность работы с архивными или некачественными записями захвата движения.
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
Кратко (AI)
DirtyMoCap — это новый метод для оптических систем захвата движения, позволяющий восстанавливать позы и телосложение из неразмеченных и перепутанных маркеров. Технология использует CUDA для ускорения процесса в 100 раз по сравнению со стандартными решениями и была протестирована на новом датасете записей кунг-фу.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖