人工智能驱动的移动捕捉数据恢复:全面审查和未来展望
Ahood Almaleh1, Gary Ushaw1, Rich Davison1
1School of Computing, Newcastle University, Newcastle upon Tyne NE1 7RU, UK.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
人工智能 (AI) 在移动捕捉 (MoCap) 数据恢复方面表现有前途,在重建复杂运动方面表现出色. 然而,计算成本和数据依赖等挑战仍然存在,混合方法提供了一个平衡的解决方案.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 动作捕捉 (MoCap) 数据对于各种应用程序至关重要,但容易丢失或损坏信息.
- 现有的恢复方法包括非数据驱动,数据驱动 (基于AI) 和混合方法.
- 人工智能技术提供了先进的功能,但在计算需求和数据要求方面存在局限性.
研究的目的:
- 提供关于移动捕捉数据恢复技术的全面审查.
- 具体评估人工智能 (AI) 对MoCap数据恢复的适用性.
- 为未来的研究综合跨数据集,指标和失败案例的见解.
主要方法:
- 将现有的MoCap恢复方法分为非数据驱动,基于AI和混合类别.
- 审查人工智能框架,如生成对抗网络 (GAN),变压器和图形神经网络 (GNN).
- 检查基准数据集 (CMU MoCap,Human3.6M) 和合成/增强数据的作用.
主要成果:
- 包括GAN,变压器和GNN在内的AI方法在时空建模和运动重建方面表现出强的表现.
- 混合方法通过将AI与传统算法集成来平衡效率,可解释性和稳定性.
- 人工智能模型的泛化得到了合成和增强数据的增强,但由于缺乏标准化的协议和多样化的现实世界数据集而受到阻碍.
结论:
- 人工智能驱动的技术代表了MoCap数据恢复的重大进步,提供了卓越的适应性和精度.
- 混合方法提供了一个实际的妥协,解决纯粹基于AI或传统方法的局限性.
- 未来的研究应侧重于实时恢复,多式联运数据融合和标准化基准,以克服当前的挑战并提高概括性.
