arXiv Computer Vision· Thomas Markhorst, Zhi-Yi Lin, Jouh Yeong Chew, Jan van Gemert, Xucong Zhang·2026-10-16 12:00· 2 小时前AI 评分22

FiGMo：用语言模型实现细粒度人体动作理解

Fine-grained Human Motion Understanding with Language Models

AI 导读

FiGMo 是一个基于 LLM 的动作理解模型，将动作表示为带时间戳的骨骼姿态，可对动作顺序与时长进行推理。其统一姿态编码器同时支持 2D 和 3D 骨骼（含真实视频检测姿态），RGB 可选作上下文。在动作问答、密集动作描述和动作识别上取得 SOTA，时间戳提升了时间定位并在子采样下保留物理时序。

来源：arXiv Computer Vision · arxiv.org