基于状态空间模型的稀疏追踪真实感全身动作生成

基于摘要分析。该研究针对从稀疏追踪信息生成真实感、准确全身姿态的问题，提出条件扩散模型 Motion Mamba Diffusion（MMD），结合状态空间模型（SSM）的序列建模能力与扩散模型的生成能力。主要研究对象是人体动作生成，而非 EEG 解码或 BCI。 技术机制：稀疏输入使全身动作重建成为欠定问题，人体复杂结构又增加了空间建模难度。MMD 使用双向 Temporal Mamba Module（TMM）建模动作序列，并通过 Spatial Mamba Module（SMM）增强单帧内的特征。摘要支持其分别处理时间依赖与帧内空间关系，但未说明具体条件输入、空间遍历方式、损失函数、训练过程或扩散采样策略。 结果与复现：作者报告，在大型动作捕捉数据集 AMASS 上，该方法相较近期方法具有更高的准确性与平滑性，并达到新的最先进性能；作者同时报告模型可实时运行。摘要未给出指标数值、数据划分、对照方法、运行硬件或延迟，因此这些结论的适用范围尚待核对，实验协议、消融及统计信息尚未验证。材料仅承诺论文接收后公开代码，不能据此认定代码已发布或论文已接收。 平台推测（待验证）：可迁移的假设是，将时间序列建模与帧内空间特征增强分开处理，可能为 EEG 的时间依赖和通道关系建模提供参考。该假设依赖多通道时序数据及明确的监督目标；人体关节结构不能直接等同于 EEG 通道结构，需要改造空间组织方式、输入条件与输出目标。低信噪比、跨被试差异、通道布局变化及小数据规模都可能使收益消失，双向建模还需明确允许使用的时间窗口，不能直接视为因果在线解码。一个可检验的小实验是在固定 EEG 数据划分和相同训练预算下，对照仅含时间模块与加入通道空间模块的模型，检验空间增强是否带来稳定增益；这并不等于验证完整 MMD。相关 EEG 工作尚未检索确认。