H-MoRe：面向动作分析的人体中心运动表征学习

基于摘要分析。H-MoRe 研究真实场景中如何保留与人体相关的运动、过滤背景运动，提出结合人体姿态与体形信息的自监督运动表征学习流程，服务于步态识别、动作识别和视频生成，而非 EEG 或 BCI 信号建模。 机制上，该方法受运动学启发，将人体各点的绝对运动和相对运动组织为矩阵形式，称为 world-local flows，以表达细粒度运动信息。作者将其与依赖合成数据全监督学习的既有方法区分，强调直接从真实场景自监督学习。摘要未说明人体姿态与体形信息的获取方式、自监督目标、背景运动过滤实现及下游集成方式，这些细节尚未验证。 作者报告，在其下游评估中，步态识别 CL@R1 提升 +16.01%，动作识别 Acc@1 提升 +8.92%，视频生成 FVD 变化为 -67.07%，推理速度为 34 fps。摘要未提供对应数据集、划分、对照基线、运行硬件，也未明确前两项提升是相对百分比还是百分点，因此不能据此进行跨方法定量比较，或断言满足特定部署条件下的实时需求。实验协议、消融及统计信息尚未验证。 作者表示模型与代码将在发表时发布，当前材料不能确认其已开放。复现需核对训练数据、人体信息提取流程、world-local flows 的构建及计时范围。材料尚未建立该视觉运动表征与 EEG/BCI 的具体机制对应，不据此推断神经信号解码收益；相关 EEG 工作尚未检索确认。