摘要

我们提出TRAM，一种两阶段方法，用于从野外视频中重建人类的全局轨迹与运动。TRAM通过增强SLAM（同时定位与地图构建）技术，有效应对动态人体干扰，实现相机运动的稳定恢复，并利用场景背景信息推导出运动尺度。以恢复的相机作为度量尺度参考帧，我们引入一种视频Transformer模型（VIMO），用于回归人体的运动学运动。通过融合两阶段的运动信息，我们实现了对世界空间中三维人体的高精度重建，相较以往方法显著降低了全局运动误差。项目主页：https://yufu-wang.github.io/tram4d/