<figure><img src="https://res.cloudinary.com/dcsny9dt4/image/upload/v1779305807/Slide_4_3_-_4_x1fd7a.png"></figure>
<p>Представляем <b>DirtyMoCap</b> — инновационную модель для захвата движений, которая предлагает уникальные возможности работы с «грязными» маркерами. Эта технология позволяет восстанавливать движения с помощью <b>SMPL-H</b>, включая позы, движения кистей, глобальное перемещение и телосложение.</p>
<p>Одной из ключевых особенностей <b>DirtyMoCap</b> является возможность работы с любой раскладкой маркеров. Модель не требует заранее заданного набора, что делает её универсальной для различных сценариев. Кроме того, маркеры могут быть перепутаны и даже без меток в каждом кадре, что значительно упрощает процесс захвата.</p>
<p>Для обеспечения стабильности в работе используются фиксированные якоря тела, такие как суставы и точки поверхности. Это создает надежный промежуточный слой, который помогает в процессе обработки данных. Модель также использует <b>learned confidence</b>, что позволяет солверу определять, каким точкам можно доверять, отсекая выбросы и повышая точность результатов.</p>
<p>Скорость работы <b>DirtyMoCap</b> впечатляет: она до 100 раз быстрее стандартного <b>PyTorch</b>-солвера благодаря использованию <b>CUDA</b>. Это делает её особенно привлекательной для исследователей и разработчиков, работающих с большими объемами данных.</p>
<p>Модель была протестирована на старых сырых захватах китайских боевых искусств без разметки. В ходе эксперимента было использовано 134 записи, охватывающих примерно 180 минут и 22 стиля. В результате был собран новый датасет кунг-фу, который может быть полезен для оптических маркерных систем.</p>
<p>На данный момент код и данные остаются закрытыми, однако <b>MoSh++</b> все еще демонстрирует чуть большую точность по поверхности тела, но только за счет размеченных маркеров. В ближайшее время ожидается публикация на GitHub, где можно будет ознакомиться с новыми разработками.</p>
Нейро Отличник
www.neurootlichnik.ru