论文页面 - LIMMT：少即是多，实现运动跟踪

来源：https://huggingface.co/papers/2606.06953

摘要

使用高质量运动数据进行训练能够优化跟踪策略的收敛轨迹，在基于物理的人形运动跟踪中，最小数据子集的性能甚至优于完整数据集。

我们认为，高质量的运动数据可以在训练早期引导跟踪策略朝更优的收敛方向前进。本文提出了 LIMMT（Less Is More for Motion Tracking）。据我们所知，这是首个针对基于物理的人形运动跟踪任务的数据中心研究。我们不仅剔除了低质量和错误的片段，还通过物理可行性、多样性和复杂度三个维度来定义运动数据质量。实验表明，即使仅使用 AMASS 数据集中不到 3% 的数据进行训练，也能取得比使用完整数据集更好的跟踪性能。此外，我们对来自网络的动作捕捉估计数据进行了数据清洗。大量实验与分析验证了我们框架的有效性。

查看 arXiv 页面 (https://arxiv.org/abs/2606.06953)
查看 PDF (https://arxiv.org/pdf/2606.06953)
项目页面 (https://giraffeguan.github.io/limmt/)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.06953)

在你的 AI 代理中获取该论文：

hf papers read 2606\.06953

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

暂无关联此论文的模型

请在模型的 README.md 中引用 arxiv.org/abs/2606.06953，以便从此页面链接到模型。

引用此论文的数据集 0

暂无关联此论文的数据集

请在数据集的 README.md 中引用 arxiv.org/abs/2606.06953，以便从此页面链接到数据集。

引用此论文的 Space 0

暂无关联此论文的 Space

请在 Space 的 README.md 中引用 arxiv.org/abs/2606.06953，以便从此页面链接到 Space。

包含此论文的收藏集 0

暂无包含此论文的收藏集

请将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 中，以便从此页面链接到该收藏集。