利用尺寸不变运动空间实现高质量人体运动预测

基于摘要分析。本文研究3D人体运动预测中的骨架尺寸分布变化与预测骨骼拉伸伪影问题，提出结合几何编码与神经网络的框架，以构建不受骨架尺寸变化影响的运动表示，并保持骨长约束。 核心机制是利用黎曼流形理论构造运动空间，将骨长约束纳入表示；随后提出 trajectory transport square-root velocity function，将运动序列编码到展平空间，以简化距离计算，并将原非展平空间中的优化问题线性化。其方法重点不是单纯增加网络复杂度，而是通过运动空间的几何结构约束预测。具体流形构造、编码映射、网络结构、损失及训练与推理流程尚未验证。 作者报告，在 Human 3.6M 和 CMU MoCap 数据集上的实验取得了具有竞争力的表现，预测未出现骨骼拉伸伪影，并对骨架尺寸变化具有鲁棒性。摘要未提供评价指标、数值、数据划分、尺寸变化的构造方式或对照基线，因此尚不能判断收益幅度及适用范围；实验协议、消融及统计信息尚未验证。 研究的主要对象是骨架运动序列，而非 EEG 或 BCI。平台推测（待验证）：若用于由神经信号驱动的人体运动输出，其骨长约束与尺寸不变表示可能作为运动解码后的输出约束，但这不意味着其几何编码可直接用于 EEG。需新增神经信号到运动空间的映射，并验证低信噪比、跨被试差异与小样本条件下的误差是否抵消约束收益。可检验的假设是：固定神经解码器，仅比较采用或不采用该几何输出约束时的运动预测误差与骨长偏差。相关 EEG 工作尚未检索确认。