SSD-Poser：基于 State Space Duality 的稀疏观测虚拟化身姿态估计

基于摘要分析。该研究面向 AR/VR 中由头戴式显示设备（HMDs）提供的头部与双手关节信号重建全身姿态，提出轻量模型 SSD-Poser，旨在兼顾姿态重建精度、实时推理与运动平滑性。其主要研究对象是稀疏运动观测下的全身姿态估计，而非 EEG 解码或 BCI。 方法包含混合编码器 State Space Attention Encoders，用于将 State Space Duality 引入复杂运动姿态建模；另设 Frequency-Aware Decoder，缓解可变频率运动信号引起的姿态抖动。摘要未提供编码器内部连接、频率处理方式、损失函数或训练流程，尚不能判断平滑性改善与精度、延迟之间的具体权衡。 作者报告，在 AMASS 数据集上的实验显示 SSD-Poser 具有较高的准确性与计算效率，并相较先进方法具有推理效率优势。摘要未给出数值、指标定义、数据划分、对照方法、运行硬件或延迟测量条件，因此无法量化优势，也不能核实对不同动作和未约束下肢的泛化能力。实验协议、消融及统计信息尚未验证；复现还需核对输入表示、预处理、模型配置及实现是否公开。 平台推测（待验证）：可探索的假设是，将状态空间时序建模与频率感知解码用于 EEG 连续解码，以应对时间依赖与输出抖动；但原任务依赖头手运动观测及全身姿态目标监督，这与低信噪比、多通道 EEG 的数据结构和监督条件不同。可借鉴时序编码思路，输入表示、通道处理及输出头需改造；频率平滑可能削弱短暂神经事件，跨被试差异与小数据训练也可能使收益失效。一个可检验的小实验是在固定 EEG 连续目标解码划分与训练预算下，对照基础时序模型、加入状态空间编码及再加入频率感知解码，分别核对任务误差、输出抖动和推理延迟，避免仅以平滑度判断有效性。已有 EEG 相关工作尚未检索确认。