Many Rigs, One Space：在欧氏空间中规范化关节式人体姿态

该研究针对不同骨架拓扑之间人体运动表示不兼容的问题，提出 Many Rigs, One Space，为身体比例相近的异构人体骨架学习共享欧氏潜空间，用于跨拓扑运动迁移、重建和文本到运动生成。基于摘要分析，未取得论文全文；主要研究对象是人体动画与运动表示，而非 EEG 解码或 BCI。 方法首先利用现成 2D 姿态估计器在不同人体网格上产生一致关键点，通过多视角三角化和拟合线性关节回归器获得半自动对应信号。作者报告，相对于基于网格的金标准，其对齐误差约为 2 mm，约比基于关节的重定向方法接近 7 倍；具体样本、误差定义和对照设置尚未验证。随后，各拓扑专属编码器与解码器通过扩展 COCO 关键点锚定同一潜空间，以欧氏关节表示规避运动学旋转参数化中的歧义，并支持基于 diffusion 的生成建模。 欧氏关节位置不能充分确定骨骼绕轴扭转，作者因此引入 twist probes，即辅助末端位置预测器，为欧氏空间中的逆运动学提供约束。作者称，该机制在回归平均下比直接在 SO(3) 上回归旋转更平稳地退化。其 any-to-few 迁移允许可检测的源拓扑进入共享空间，再解码到已支持的目标骨架；新增目标拓扑仅训练局部模块，作者报告对既有骨架影响可忽略。 作者报告在 Mixamo retargeting benchmark 上达到最先进的跨拓扑迁移精度，在 HumanML3D 上获得所比较近期运动潜表示中最低的重建误差，并支持手指关节运动及不依赖固定帧率的解码。摘要未给出这些结果的具体数值、数据划分、基线配置或统计不确定性，实验协议、消融及统计信息尚未验证。方法依赖可检测的人体关键点、可建立对应的网格和相近身体比例，其跨更大形态差异的适用性仍需核对。 平台推测（待验证）：共享运动表示可能作为 EEG 驱动虚拟人体控制中的输出端姿态表示，但本材料未验证 EEG 到该潜空间的映射，也未证明跨被试解码或 BCI 控制收益；相关 EEG 工作尚未检索确认。