函数空间中的角色运动

基于摘要分析。本文研究动画角色运动的表示与近似，利用 functional principal component analysis 从一组输入运动中提取正交归一基（ONB）函数，将每段运动表示为基函数空间中的向量，并通过选取部分基函数实现紧凑近似。 核心机制是将静态 PCA 的思路扩展到随时间变化的函数，而非仅处理静态向量。摘要称，提取的 ONB 对给定输入运动集合具有最优覆盖性质，但具体优化准则尚未验证。该表示支持运动距离度量、运动合成及运动细节层次控制：新运动可通过优化重建运动函数之间的连接，或对运动向量进行插值生成；保留的 ONB 函数数量则控制重建近似质量。 作者报告，在摘要所述与常用解析函数方法的比较中，该表示具有更高的压缩因子和更低的失真率。其存储开销包含为每组输入运动单独生成的 ONB，因此需结合基函数存储成本评估压缩收益。摘要未提供数据集、运动集合规模、对照方法名称、指标定义或具体数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：函数基表示可作为 EEG 时间序列压缩与降噪的候选机制，但角色运动上的结果不等于 BCI 有效性。可复用的是函数基提取、系数表示及截断重建，需改造的是多通道组织、时间对齐与基函数更新策略；其依赖一组可比较的时变函数，低信噪比、跨被试差异和小数据可能使主导基函数偏向噪声或个体特征，截断也可能丢失低方差但有判别价值的信号。一个可检验的小实验是在固定被试内划分下，仅用训练集拟合函数基，与静态 PCA 在相同存储预算下比较 EEG 重建误差及下游任务指标。已有 EEG 相关工作尚未检索确认。