ProMoDD：通过原型条件扩散模型进行三维人体运动数据集蒸馏

基于摘要分析。ProMoDD 面向基于骨架的动作识别，研究如何用少量运动序列保留大型数据集的训练效用，同时维持人体关节几何与时间连续性。其核心贡献是将类别原型引导的运动扩散生成与特征空间中的真实、生成序列混合选择结合，而非直接优化关节坐标或仅追求生成运动的合理性。 方法以保留时间分辨信息的识别特征构建类别原型，用其作为运动扩散模型的条件；作者还针对骨架构型及其时间演化调整扩散训练，但摘要未提供具体训练目标。随后，在固定的每类序列预算下，使用代表性真实序列覆盖汇总识别特征空间中的密集区域，并选择生成候选补充较稀疏区域，以兼顾真实运动的可靠性与合成样本的变化覆盖。 作者报告，在 NTU RGB+D 60 单人动作类别构成的五个按难度分层的子集上，增益在紧张蒸馏预算下最明显。其中，Full49 在每类三条序列预算下达到 40.32% top-1 Accuracy，比按类别进行的 k-means 高 4.57 个百分点。该结果对应完整框架，不能据此独立判断原型条件、扩散训练调整或混合选择各自的贡献。作者还报告，同一批蒸馏集无需重新生成即可用于训练 ST-GCN、MS-G3D 和 CTR-GCN；这不等于跨数据集或跨任务泛化已获验证。 实验划分、识别特征提取方式、原型构建细节、扩散训练规模、候选筛选开销、消融及统计信息尚未验证。平台推测（待验证）：类别级时序特征原型与预算感知样本选择，可能为 EEG 小样本训练集压缩提供机制参考，但骨架几何约束不能直接替代 EEG 的通道结构与信号统计约束。若检验这一假设，可先在固定被试内划分和每类预算下比较真实样本选择与真实—生成混合选择；低信噪比、小数据及跨被试分布差异可能使原型失真或生成样本失效。已有 EEG 相关工作尚未检索确认。