Tag · 9 篇
实时推理
VIMCAN：基于混合 Mamba-交叉注意力网络的视觉-惯性三维人体姿态估计
VIMCAN: Visual-Inertial 3D Human Pose Estimation with Hybrid Mamba-Cross-Attention Network
用 Mamba 的选择性状态空间建模替代 Transformer 做时序建模、用交叉注意力补空间依赖，为视觉-惯性等多模态序列融合提供了一条线性复杂度、可实时（>60 FPS）的骨干设计思路，可直接迁移到其他需要长序列多模态融合的视觉任务。
TokenHand：面向高效手部网格重建的离散 token 表示
TokenHand: Discrete Token Representation for Efficient Hand Mesh Reconstruction
把 3D 手部网格重建从回归改成对离散 token 的分类，并用预训练解码器从 token 直接还原网格，为视觉研究者提供了一条「离散化 + 分类」替代连续回归、兼顾精度与实时性的可复用思路，可迁移到人体、物体等其他参数化网格重建任务。
ReMoGen：通过多源数据模块化学习的实时人体交互到反应生成
ReMoGen: Real-time Human Interaction-to-Reaction Generation via Modular Learning from Diverse Data
把大规模单人动作数据学到的通用运动先验，通过独立训练的 Meta-Interaction 模块迁移到人-人、人-场景等数据稀缺的交互域，并用帧级 Segment Refinement 在在线推理时融合新观测——这套「通用先验 + 轻量域适配 + 帧级精修」的模块化范式可直接复用到实时人体动作/反应生成与虚拟人驱动。
RAM：在野外恢复任意三维人体运动
RAM: Recover Any 3D Human Motion in-the-Wild
RAM 将运动感知语义跟踪器与自适应卡尔曼滤波结合，在严重遮挡下实现鲁棒的身份关联，并利用记忆增强的时序 HMR 模块注入时空先验，为野外多人 3D 人体运动捕捉提供了可复用的实时框架。
GeoFlow：基于迭代流预测的实时细粒度跨视角地理定位
GeoFlow: Real-Time Fine-Grained Cross-View Geolocalization via Iterative Flow Prediction
提出一种基于迭代流预测的轻量级跨视角定位框架，其推理算法 IRS 通过迭代采样实现灵活的精度-速度权衡，可复用于其他需要实时精确定位的视觉任务。
基于视觉几何Transformer的快速空间跟踪
Fast Spatial Tracking with Visual Geometry Transformer
提出一种基于前馈视觉几何Transformer的实时空间点跟踪框架，其双分支嵌入设计与交互模块可复用于其他需要全局-局部特征融合的视频理解任务，如视频目标分割与光流估计。
无尽世界：实时 3D 感知长视频生成
Endless World: Real-Time 3D-Aware Long Video Generation
条件自回归训练策略把新生成内容与已有帧对齐，配合全局 3D-aware 注意力注入几何约束，可在单卡实时生成无限长且 3D 一致的视频；这套「对齐已有帧 + 3D 引导」的思路可直接迁移到流式视频生成与长序列扩散采样。
E-3DPSM：用于基于事件的自我中心3D人体姿态估计的状态机
E-3DPSM: A State Machine for Event-based Egocentric 3D Human Pose Estimation
将连续时间状态机与事件流对齐，为事件相机下的单目3D人体姿态估计提供了一种实时、抗自遮挡和时序抖动的建模范式，可迁移到其他事件驱动的连续运动估计任务。
DSFlash：实时全景场景图生成的全方位方案
DSFlash: Comprehensive Panoptic Scene Graph Generation in Realtime
对需要把场景图生成部署到边缘设备或视频流的研究者，DSFlash 提供了一个低延迟、可单卡训练的实时全景场景图生成基线，其「不牺牲性能换速度」且输出完整（非仅显著）关系的设定，可直接作为下游具身推理的中间表示模块复用。