RemoCap：用于运动捕捉的解耦表示学习

从逼真的运动序列中重建三维人体模型仍然是一项挑战，主要是由于普遍存在且复杂的遮挡问题。当前的方法在捕捉被遮挡的身体部位的动力学方面存在困难，导致模型穿透和动作失真。RemoCap 利用了空间解耦（Spatial Disentanglement, SD）和运动解耦（Motion Disentanglement, MD）来克服这些限制。SD 解决了目标人体与周围物体之间的遮挡干扰问题。通过沿维度轴解耦目标特征，SD 根据每个维度中的空间位置对特征进行对齐，从而在全球窗口内隔离目标对象的响应，即使在存在遮挡的情况下也能实现准确的捕捉。MD 模块采用通道级时间混洗策略来模拟多样化的场景动力学。这一过程有效地解耦了运动特征，使得 RemoCap 能够以更高的保真度重建被遮挡的部分。此外，本文引入了一种序列速度损失，以促进时间连贯性。这种损失约束了帧间速度误差，确保预测的动作表现出真实的连续性。广泛的基准数据集上的对比实验表明，RemoCap 在三维人体重建方面优于现有的最先进方法（State-of-the-Art, SOTA）。在 3DPW 数据集上，RemoCap 超越了所有竞争对手，在 MPVPE（81.9）、MPJPE（72.7）和 PA-MPJPE（44.1）指标上取得了最佳结果。代码可在 https://wanghongsheng01.github.io/RemoCap/ 获取。