{
  "paper_id": "418824c5dc26ac7fd264422f06a04440",
  "paper_title": "EgoPoseVR: Spatiotemporal Multi-Modal Reasoning for Egocentric Full-Body Pose in Virtual Reality",
  "paper_authors": [
    "Haojie Cheng",
    "Shaun Jing Heng Ong",
    "Shaoyu Cai",
    "Aiden Tat Yang Koh",
    "Fuxi Ouyang",
    "Eng Tat Khoo"
  ],
  "publication_date": "",
  "publication_venue": "IEEE Transactions on Visualization and Computer Graphics",
  "abstract": "Immersive virtual reality (VR) applications demand accurate, temporally coherent full-body pose tracking. Recent head-mounted camera-based approaches show promise in egocentric pose estimation, but encounter challenges when applied to VR head-mounted displays (HMDs), including temporal instability, inaccurate lower-body estimation, and the lack of real-time inference. To address these limitations, we present EgoPoseVR, an end-to-end framework for accurate egocentric full-body pose estimation in VR that integrates headset motion cues with egocentric RGB-D observations through a dual-modality fusion pipeline. A spatiotemporal encoder extracts frame- and joint-level representations, which are fused via cross-attention to fully exploit complementary motion cues across modalities. A kinematic optimization module then imposes constraints from HMD signals, enhancing the accuracy and stability of pose estimation. To facilitate training and evaluation, we introduce a large-scale synthetic dataset of over 1.8 million temporally aligned HMD and RGB-D frames across diverse VR scenarios. Experimental results show that EgoPoseVR outperforms state-of-the-art egocentric pose estimation models. A user study in real-world scenes further shows that EgoPoseVR achieved significantly higher subjective ratings in accuracy, stability, embodiment, and intention for future use compared to baseline methods. These results show that EgoPoseVR enables robust full-body pose tracking, offering a practical solution for accurate VR embodiment without requiring additional body-worn sensors or room-scale tracking systems.",
  "keywords": [
    "Virtual reality",
    "head-mounted displays",
    "egocentric full-body pose estimation",
    "multimodal spatiotemporal fusion"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:27:16.617724Z",
  "template_tag": "deep_read",
  "summary": "# EgoPoseVR: Spatiotemporal Multi-Modal Reasoning for Egocentric Full-Body Pose in Virtual Reality\n\n\n**作者 / Authors:** Haojie Cheng, Shaun Jing Heng Ong, Shaoyu Cai, Aiden Tat Yang Koh, Fuxi Ouyang, Eng Tat Khoo\n\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## Module A：阅读对齐与输入校验\n\n### 1. 论文元数据\n\n- **标题**：EgoPoseVR: Spatiotemporal Multi-Modal Reasoning for Egocentric Full-Body Pose in Virtual Reality\n- **作者**：Haojie Cheng、Shaun Jing Heng Ong、Shaoyu Cai、Aiden Tat Yang Koh、Fuxi Ouyang、Eng Tat Khoo（通讯作者，标注 *）。文档未明确给出作者单位；从用户研究“经本校机构审查委员会（IRB）批准”（6.5 节）及 Eng Tat Khoo 的既往 VR/医学教育研究记录推测可能来自新加坡高校，需以正式出版版本核实。\n- **发表载体**：文档未明确标注期刊/会议名称与年份；从 IEEE 排版风格（Index Terms、双栏结构）及参考文献含 2025 年文献推断为 IEEE 系列期刊（如 IEEE TVCG / IEEE VR 相关）的近期稿件，具体信息待核实。\n\n### 2. 研究定位\n\n- **研究领域**：虚拟现实（VR）中的自我中心（egocentric）全身姿态估计与多模态时空融合。\n- **具体任务**：融合 HMD（头显 + 双手柄）运动信号与头显下视 RGB-D 相机视觉观测，实时预测 SMPL 参数化的全身 22 关节旋转与位置（3.1–3.2 节，式 (1)(2)），输出维度为每帧 R^132。\n- **目标用户/应用场景**：VR 沉浸式应用开发者与终端用户，涵盖化身具身交互、物理训练与康复训练、社交协作等场景（第 1 节引言、第 8 节结论），强调无需额外穿戴传感器或房间级追踪设备的可部署性。\n\n### 3. 输入材料清单\n\n- **PDF**：有（当前文档为论文正文全文，含摘要、8 个章节、图 1–10、表 1–4、Alg. 1 及参考文献）。\n- **附录/补充材料**：无。正文多处引用 supplementary material（第 4 节数据集实现细节、6.1 节损失函数完整形式、6.3 节补充消融、6.5 节详细统计结果），但当前输入未包含。\n- **代码链接**：文档中未提供。\n- **数据集链接**：文档中未提供（论文提出 1.8M 帧合成数据集 EgoPoseVR，见第 4 节与表 1）。\n\n### 4. 缺失材料与风险\n\n- **缺失项**：补充材料、代码仓库、数据集下载链接、作者单位与正式出版信息。\n- **可能影响**：无法复现训练细节（损失权重策略、网络超参）与数据集渲染配置，难以直接进行基准复现与扩展实验；作者单位缺失影响团队背景判断；正式发表信息缺失影响引用规范与版本对照。\n\n### 5. 阅读路线\n\n- **Step 1**：读摘要、Fig. 1、Fig. 2 与第 1 节，明确核心问题（HMD-only 下半身推断歧义、视觉方法时序不稳/非实时/商用头显相机数据不可访问）与三大贡献（框架、双流架构、数据集）。\n- **Step 2**：读第 2 节与表 1，梳理相关工作（HMD-only 方法、附加 IMU/穿戴传感器、下视相机自我中心姿态估计、时空建模）及现有数据集在时序连续性、旋转标注、深度信息上的缺口。\n- **Step 3**：精读第 3 节方法：HMD/RGB-D 双流时空编码器（式 (3)(4)）、跨模态 cross-attention 融合、基于能量函数的运动学优化 KPO（式 (5)(6)）与 Alg. 1 的可见性感知时序细化及增量更新机制。\n- **Step 4**：读第 4–5 节，理解合成数据集构建（AMASS+BABEL 动作、8 个室内场景、100 张 HDR 全景、100 套服装、320×256@60FPS）与基于 WebSocket 的跨设备实时传输架构（Fig. 5）。\n- **Step 5**：读第 6 节实验：表 2 模块级对比（Row A–E）、表 3 消融、Fig. 7 热图与可见性因子分析、6.5 节用户研究（20 名被试、Friedman/Wilcoxon 检验、Fig. 9）。\n- **Step 6**：读第 7–8 节局限与结论，形成对 sim-to-real 差距、视野丢失失效（Fig. 10）、SMPL 缺乏生物力学约束等问题的批判性认识，并确定后续深读重点。\n\n### 分类依据（paper_archetype = method）\n\n- 论文核心贡献是提出新的算法框架 EgoPoseVR（双流时空编码 + 跨模态融合 + 运动学优化），并以定量指标（MPJPE/PA-MPJPE/MPJRE/FPS，表 2、表 3）与真实场景用户研究验证其相对 SOTA（EgoPoser、EgoPoseFormer）的性能提升，属于新方法/模型类工作。\n- 虽包含跨设备传输管线（第 5 节）与大规模数据集构建（第 4 节），但二者主要服务于方法训练与验证，并非首要贡献，故不选 system 或 survey。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## Module B：第一遍通读概览（First-Pass Overview）\n\n### 1. 论文类型与类别\n\n- **总体类型**：method（新方法/框架类论文），与 Module A 判定一致。核心贡献是提出端到端算法框架 EgoPoseVR（第 3 节，Fig. 2），并辅以两项支撑性贡献：大规模合成数据集（第 4 节，Table 1）与跨设备实时传输管线（第 5 节，Fig. 5）。\n- **细分领域**：VR 中的自我中心（egocentric）全身姿态估计；多模态（HMD 运动 + RGB-D 视觉）时空融合；实时具身化身驱动。\n- **验证方式**：定量基准对比（表 2）、模块消融（表 3）、热图可视化分析（Fig. 7）与真实场景用户研究（6.5 节，Fig. 9、Table 4），属于典型的“方法 + 基准 + 用户实验”完整验证链条。\n\n### 2. 研究背景与上下文\n\n- **应用需求**：VR 具身娱乐、物理训练与康复、社交协作等场景均要求准确且时序一致的全身姿态追踪（第 1 节开头及引用 [^9][^5][^24] 等）。\n- **现有方案的缺陷链条**（第 1–2 节）：\n  1. 光学动捕系统精度高但需大空间与精细标定（第 1 节，引 [^53]）；第三人称相机依赖外部视角，不适合第一人称沉浸式 VR。\n  2. HMD-only 方法（AvatarPoser、EgoPoser 等）因输入空间稀疏，下半身推断存在本质歧义——相同上肢运动对应多种合理下肢构型（第 1 节，引 [^20][^68]；2.1 节）。\n  3. 附加 IMU 等穿戴传感器需精确标定、易漂移且有穿戴负担（第 1 节，引 [^39]）。\n  4. 头戴下视相机视觉方法（Mo2Cap2、xR-EgoPose、EgoPoseFormer 等）虽改善下肢估计，但存在时序不稳、逐帧推理导致抖动、推理延迟高，且商用头显（Meta Quest、Apple Vision Pro）不开放下视鱼眼相机数据访问（2.2 节末段，引 [^34]）。\n- **融合层面的空白**：HMD 运动数据稀疏、结构化、低维，而视觉数据高维且对头部微小运动敏感（运动模糊、场景突变）；同时缺乏时序同步的 HMD+视觉多模态数据集（第 1 节第三段；Table 1 显示现有数据集均无时序连续性与深度信息）。\n\n### 3. 直觉正确性检查（关键假设是否合理）\n\n- **假设 1：下视 RGB-D 相机能提供可靠的下半身视觉线索** → 合理。已有 Mo2Cap2 [^61]、xR-EgoPose [^51]、Ego3DPose [^21] 等工作验证该配置可显著提升下肢估计精度（2.2 节；Table 1）。\n- **假设 2：将图像级时序建模降维到关节级可大幅降低计算量** → 合理。3.3.2 节明确给出复杂度对比：从图像级 O(T·C·H·W) 降至关节级 O(T·J)，且显式 3D 关节监督可稳定训练；表 2 Row D 的 155 FPS 支持该设计不牺牲实时性。\n- **假设 3：可见性概率因子 ζ 能抑制视野外关节的虚假热图响应** → 合理。热图必然产生峰值导致视野外关节误检为可见（3.3.2 节），Fig. 7 左/中列对比直观显示加入 ζ 后热图噪声被有效抑制。\n- **假设 4：能量函数 KPO 可在不破坏骨骼结构的前提下对齐 HMD 观测** → 基本合理。式 (5)(6) 分别约束头/手对齐与骨长/骨向保持，Fig. 3 显示 E_A+E_S 组合误差最小；但需注意纯 IK 在头手约束下欠约束的问题（3.4 节引 [^60]），KPO 依赖网络先验作为正则项，逻辑自洽。\n- **潜在疑点**：合成数据训练 → 真实部署存在 sim-to-real gap。作者在 6.5 节以真实用户研究部分缓解了该疑虑，并在第 7 节坦承该局限，态度诚实，可信度较高。\n\n### 4. 核心贡献\n\n1) **EgoPoseVR 框架**：首个联合 HMD 运动信号与头戴下视 RGB-D 观测的 VR 自我中心全身姿态估计端到端系统，无需额外穿戴传感器或房间级追踪基础设施（第 1 节贡献列表第 1 条；第 3.1 节）。\n2) **双流时空架构**：帧级 + 关节级 Transformer 编码器（式 (3)(4)）、跨模态 cross-attention 融合（3.3.3 节）、可见性感知时序关节细化（Alg. 1）与能量函数运动学优化 KPO（式 (5)(6)），在保持骨骼结构一致性的同时提升精度与稳定性。\n3) **首个 VR 自我中心全身姿态大规模合成数据集**：1.8M 帧、18,235 条序列、320×256@60FPS，含时序同步的 HMD 轨迹与 RGB-D 图像、2D/3D 关节标注及逐关节可见性标签，支持不同 HMD–相机配置（第 4 节；Table 1 最后一列）。\n4) **实时系统与强实验证据**：基于 WebSocket 的三端跨设备管线实现 97 FPS 实时推理（第 5 节；表 2 Row E）；合成数据上全面超越 EgoPoser 与 EgoPoseFormer 基线（表 2），20 人真实场景用户研究显示在准确性、稳定性、具身感与未来使用意愿上均显著优于基线（6.5 节，Friedman/Wilcoxon 检验，Fig. 9）。\n\n### 5. 清晰度评估\n\n- **结构组织**：IEEE 双栏标准八章节结构（引言→相关工作→方法→数据集→系统→实验→局限→结论），逻辑递进清晰；相关工作按“VR 自我中心估计 / 下视相机追踪 / 时空建模”三条线梳理，与本文动机一一对应（2.1–2.3 节）。\n- **图表质量**：Fig. 1/2 快速传达系统概念与流程；Fig. 3/6/8/10 以颜色编码误差的定性对比信息量大；表 2/3 用颜色梯度标注逐行改进幅度，便于快速定位各模块贡献；Fig. 7 的热图重投影分析直观支撑可见性模块设计。\n- **公式与符号**：式 (1)–(6) 符号定义完整（x_t、g_t^i、r_t^c、M_t、N_t 等），6D 旋转、FK、one Euro filter 等术语使用规范；Alg. 1 伪代码逻辑清楚（首帧全量处理 + 增量更新缓存）。\n- **可读性小瑕疵**：损失函数完整形式与权重策略、部分超参、详细统计结果均放在补充材料（6.1、6.3、6.5 节多处引用），正文无法完全复现训练细节；Alg. 1 在文本转换版式中略显破碎；参考文献编号 [^16][^17] 顺序有排版错乱。\n\n### 6. 继续或停止建议\n\n- **明确建议：继续深读（进入 Module D/E 的第二、三遍精读）**。\n- **理由**：(a) 方法新颖性明确——在“无先例联合 HMD+RGB-D”的问题设定下（6.1 节明言缺乏同类工作可对比），双流时空编码 + 可见性感知细化 + KPO 的组合设计有独立验证；(b) 数据集贡献具有独立复用价值（Table 1 显示其在深度、时序连续性、旋转标注、HMD 适配性上均为首个）；(c) 实验证据链完整（定量 + 消融 + 定性 + 用户研究），结论可信度较高；(d) 局限讨论坦诚（第 7 节），为后续研究指出清晰方向。\n- **可跳读情形**：若读者仅关注算法本身，可略读第 5 节系统传输管线；若关注落地部署，则第 5 节与 6.5 节用户研究为必读。\n\n### 7. 结构大纲图\n\nmarkmap\n\n# EgoPoseVR 论文大纲\n\n## 1 引言\n\n### 问题：HMD-only 下半身推断歧义\n\n### 挑战：模态融合 / 时序稳定 / 实时性 / 数据缺失\n\n## 2 相关工作\n\n### 2.1 VR 自我中心姿态估计（HMD-only / IMU / 穿戴相机）\n\n### 2.2 下视相机运动追踪（Mo2Cap2 → EgoPoseFormer）\n\n### 2.3 时空建模（Transformer / 扩散 / 稀疏运动流）\n\n## 3 方法\n\n### 3.1 总体框架（Fig. 2）\n\n### 3.2 输入模态与 SMPL 表示（式 1–2，R^132 输出）\n\n### 3.3 双流编码\n\n#### HMD 流编码器（式 3）\n\n#### RGB-D 流 + 可见性细化（Alg. 1，式 4）\n\n#### 跨模态融合与解码（式 5）\n\n### 3.4 KPO 运动学优化（式 6，E_A + E_S）\n\n## 4 合成数据集\n\n### AMASS+BABEL 动作 / 8 场景 / 100 HDR / 100 服装\n\n### 1.8M 帧 @ 320×256 60FPS + 可见性标签\n\n## 5 跨设备传输管线\n\n### WebSocket 三端架构（输入端 / 推理服务器 / 渲染端）\n\n## 6 实验\n\n### 6.2 模块级对比（表 2，Row A–E）\n\n### 6.3 消融研究（表 3）\n\n### 6.4 热图与可见性因子分析（Fig. 7）\n\n### 6.5 真实场景用户研究（20 人，表 4，Fig. 9）\n\n## 7 局限与未来工作\n\n### 视野丢失失效（Fig. 10）/ sim-to-real gap / SMPL 缺生物力学约束\n\n## 8 结论\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## Module C1：论文要解决什么问题？\n\n### 1. 一句话问题定义\n\n论文旨在解决 VR 场景下的自我中心（egocentric）全身姿态估计问题：仅利用 HMD（头显 + 双手柄）运动信号与头显下视 RGB-D 相机观测，通过多模态时空融合，实时、准确且时序稳定地预测 SMPL 参数化的全身 22 关节旋转与位置（第 1 节、第 3.1 节、Fig. 2）。\n\n### 2. 痛点与现有不足\n\n- **HMD-only 下半身推断歧义**：仅凭头显与手柄的空间稀疏运动信号，相同的上肢动作可能对应多种合理的全身姿态，导致下半身预测不可靠（第 1 节，引 [^20][^68]；第 2.1 节）。\n- **附加穿戴传感器的可用性负担**：IMU 等下肢附加传感方案需要精确标定、存在漂移且增加使用负担；穿戴相机等方案需定制硬件且易受磁干扰，限制可扩展性（第 1 节、第 2.1 节）。\n- **自我中心视觉方法的固有缺陷**：头部运动引起的运动模糊与场景突变破坏时序稳定性；现有方法计算量大、多为逐帧推理、缺乏实时性；且商用头显（如 Meta Quest、Apple Vision Pro）不开放下视鱼眼相机数据访问，阻碍了向真实 VR 的迁移（摘要、第 1 节、第 2.2 节）。\n- **多模态数据集缺失**：现有数据集（Mo2Cap2、xR-EgoPose、UnrealEgo 等）缺乏时序连续帧、关节旋转标注与深度信息，无法支撑 HMD 运动信号与自我中心视觉数据的时序对齐训练（第 2.3 节、Table 1）。\n\n### 3. 形式化目标 / 优化目标\n\n- **任务形式化**：给定 T 帧窗口内的 HMD 运动描述子 X ∈ R^{T×72}（式 (1)(3)：每个设备 18 维全局描述子 + 手柄相对头显的 9 维局部描述子）与 RGB-D 观测 Y ∈ R^{T×C×H×W}（式 (2)），预测每帧 SMPL 22 关节相对父关节的 6D 旋转，输出维度为 R^132（第 3.2 节）。\n- **训练目标**：整体损失由 2D 关节估计损失与 3D 姿态估计损失构成，兼顾空间精度与运动学合理性（第 6.1 节；完整形式与权重策略见补充材料）。\n- **推理端运动学优化（KPO）能量最小化**（第 3.4 节）：\n  - 头手对齐项 E_A（式 (5)）：可观测关节（头、左手、右手）对齐 VR 系统真值 q_k，未观测关节通过自正则化保持初始预测，避免无观测支撑的过度调整；\n  - 骨骼结构保持项 E_S（式 (6)）：惩罚相邻关节骨长与骨向偏差，保持 SMPL 运动学树的结构一致性。\n\n### 4. 成功标准\n\n- **定量指标**：MPJPE、PA-MPJPE（cm）、MPJRE（度）与 FPS（第 6.1 节）；目标是在保持实时性的前提下全面超越 SOTA。\n- **实测达成**：完整系统在合成数据集上达到 MPJPE-U 1.66 cm、MPJPE-L 4.75 cm、MPJRE-L 6.74°、97 FPS，优于 EgoPoser 与 EgoPoser+EgoPoseFormer 基线（Table 2 Row E）。\n- **真实场景用户研究**：20 名被试的 5 点 Likert 问卷显示，EgoPoseVR 在追踪精度（Q1–Q2）、响应与稳定性（Q3–Q4）、具身感（Q5）与未来使用意愿（Q6）上均显著优于基线（Friedman 检验 p < 0.001，事后 Wilcoxon 检验 p < 0.01/0.001；第 6.5 节、Fig. 9）。\n- **期望系统属性**：无需额外身体穿戴传感器或房间级追踪设备，可在商用 VR 硬件上部署的便携式全身追踪，支持化身具身交互、物理训练与康复等沉浸式应用（摘要、第 8 节）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## Module C2：相关工作梳理与论文定位\n\n### 1. 最强基线与对比轴（Strongest Baselines）\n\n- **EgoPoser [^19]（ECCV 2024，HMD-only SOTA，Table 2 Row A）**\n  - **核心思想**：仅利用 HMD（头显 + 双手柄）稀疏且间歇性的运动观测，通过神经网络回归全身姿态，是当前 VR 场景下无需额外传感器/视觉输入的代表性方法（2.1 节）。\n  - **局限**：HMD 输入空间稀疏、缺乏全局身体上下文，下半身推断存在本质歧义——Table 2 中其 MPJPE-L（8.45 cm）显著差于 MPJPE-U（5.61 cm）；定性上依赖「对侧手臂-腿协调」启发式，当手臂无明显摆动时下半身预测不可靠（6.2.2 节 Fig. 6(b)）；用户研究中下半身追踪评分最差（6.5 节 Q2）。\n  - **对比轴**：姿态精度（MPJPE / PA-MPJPE / MPJRE，分上半身 -U 与下半身 -L）、实时性（FPS）、以及真实场景主观体验（用户研究 Q1–Q6，Fig. 9）。\n- **EgoPoser + EgoPoseFormer [^19][^62]（多模态组合基线，Table 2 Row B）**\n  - **核心思想**：以 EgoPoser 提供 HMD 姿态，再叠加视觉方法 EgoPoseFormer 做精化，代表「现有单模态 SOTA 简单拼接」能达到的最强水平（6.2 节）。\n  - **局限**：EgoPoseFormer 为逐帧 coarse-to-fine 设计，推理延迟高（FPS 从 216 跌至 29，Table 2），且依赖图像中骨盆位置 / pelvis-to-camera 约束，用户大幅抬头、低头或侧头时下半身预测失效（Fig. 6(a)–(d)）；其额外延迟还拖累响应性与稳定性主观评分（6.5 节 Q3–Q4）。\n  - **补充说明**：EgoPoseFormer 不能单独作为基线——它只输出关节位置不输出旋转、与 SMPL 重建不兼容，且训练依赖 VR 推理时不可得的 GT pelvis-to-camera 变换（6.2 节），这本身即凸显了本文的动机。\n\n### 2. 最接近的方法与关键差异（Closest Approaches）\n\n- **EgoPoseFormer [^62]（立体自我中心视觉，ECCV 2024）——最接近的视觉路线**\n  - **核心思想**：stereo 自我中心输入 + coarse-to-fine 逐级精化，将自我中心观测提升为 3D 姿态（2.2 节）。\n  - **关键差异**：本文改用单目 RGB-D（以深度替代立体几何线索），用 3D 关键点热图 + visibility-aware 时序细化（Alg. 1）替代逐帧 coarse-to-fine，摆脱对 pelvis-to-camera 约束的依赖，并输出 SMPL 旋转以支持实时化身驱动（FPS 97 vs 29，Table 2 Row E vs Row B）。\n- **Scene-Aware EgoPose [^59] 与 REWIND [^25]（深度/生成式自我中心方法）**\n  - **核心思想**：前者融合深度与体素化场景上下文约束姿态合理性；后者用扩散模型做实时全身运动生成（2.2 节）。\n  - **关键差异**：本文将深度用在关节级别（RGB-D → 3D 关键点，时序推理复杂度从图像级 O(T·C·H·W) 降至关节级 O(T·J)，3.3.2 节），而非场景级体素；且采用确定性前馈推理而非迭代采样，保证低延迟。\n- **HMD-Poser [^8]（可扩展稀疏观测的实时追踪）**\n  - **核心思想**：轻量网络 + 在线形状适配，面向设备端实时部署（2.1 节）。\n  - **关键差异**：仍属 HMD/稀疏传感单模态路线，无视觉互补；本文以跨模态 cross-attention 融合显式消解下半身歧义。\n- **数据集层面：Mo2Cap2 [^61]、xR-EgoPose [^51]、EgoGlass [^66]、UnrealEgo [^2]、ARES [^28]、SynthEgo [^7]（Table 1）**\n  - **关键差异**：现有数据集要么只提供孤立帧（无时序连续图像序列）、要么缺少关节旋转标注（无法模拟 6DoF HMD 信号）、要么无深度信息；EgoPoseVR 数据集是首个同时具备时序对齐 HMD+RGB-D 数据、2D/3D 关节标注、逐关节可见性标签与显式 HMD 适配性的 1.8M 帧基准（第 2.3 节、第 4 节、Table 1）。\n\n### 3. 正交方向（Orthogonal Directions）\n\n- **物理仿真路线**：QuestSim [^60]、QuestEnvSim [^27] 用强化学习 + 仿真生成物理合理的运动，但依赖不可微仿真器，难以嵌入实时系统（2.1 节）——与本文的数据驱动回归路线正交，其物理先验可作为未来对 KPO（3.4 节）的替代或增强。\n- **附加穿戴传感器路线**：DIP [^17]、SIP [^55]、TransPose [^64]、PIP [^63] 依赖 IMU，需精确标定且存在漂移与穿戴负担；Nymeria [^35]、EgoSim [^16] 使用穿戴相机，需定制硬件且易受磁干扰（2.1 节）——与本文「免额外穿戴设备」的目标相反，属互补的硬件路线。\n- **第三人称时空建模**：PoseFormer [^67]、MixSTE [^65]、MHFormer [^29]（Transformer 系）与 DiffPose [^14]、S2Fusion [^49]（扩散系）面向离线密集视频；UNSPAT [^26]、HoT [^30] 做效率优化（2.3 节）——其 token 化注意力设计思想被本文借鉴到稀疏运动流，但应用域（第三人称 vs 自我中心）与运行设定（离线 vs 实时）不同。\n- **稀疏运动流的时序建模**：PhaseMP [^46]、ReMP [^18]、KTPFormer [^38] 证明无需密集视频序列也可实现可靠时序建模（2.3 节）——为本文 HMD 流的 frame-wise / joint-wise 双层 Transformer 编码器提供方法论支撑，属思想来源而非直接竞争者。\n\n### 4. 一句话定位\n\nEgoPoseVR 是首个在统一框架内融合 HMD 运动信号与头显下视 RGB-D 观测、以双流时空编码 + 跨模态 cross-attention + 能量函数运动学优化（KPO）实现 VR 中实时（97 FPS）全身姿态估计的工作，恰好填补了「HMD-only 下半身推断歧义」与「自我中心视觉方法时序不稳 / 非实时 / 商用头显相机数据不可访问」两条现有技术路线之间的空白，并以首个时序同步的 VR 多模态合成数据集（1.8M 帧，Table 1）支撑训练与评测（第 1–2 节、Table 2）。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3：论文如何解决问题（方法机制）\n\n### 1. 核心机制概述\n\nEgoPoseVR 采用「双流时空编码 → 跨模态注意力融合 → 能量函数运动学优化（KPO）」的三段式架构（第 3 节，Fig. 2）：\n\n- **针对的问题根源**：仅凭 HMD（头显 + 双手柄）信号推断全身姿态存在根本歧义——相似的上身运动可对应多种合理的下半身构型（第 1 节，引 [^20][^68]）；而现有头戴相机视觉方法存在时序不稳、非实时、商用头显下视相机数据不可访问等障碍（第 1–2 节）。\n- **解决思路**：HMD 运动流提供稳定、低维、结构化的时序骨架线索；RGB-D 视觉流提供高维空间几何线索以消解下半身歧义。两流经结构相同（参数独立训练）的「帧级 + 关节级」两级 Transformer 时空编码后，在共享潜空间以 cross-attention 融合；最后由 KPO 模块强制预测与 VR 追踪信号及骨骼结构保持一致（3.1 节）。\n- **输出形式**：SMPL 参数化的 22 关节 6D 旋转（每帧 R^132），经前向运动学（FK）得到关节位置，完整系统实时运行达 97 FPS（3.2 节；表 2 Row E）。\n\n### 2. 分步拆解\n\n### Step 1 输入构造（3.2 节，式 (1)(2)）\n\n- 对每个设备 i ∈ {H, C_L, C_R}（头、左手柄、右手柄）提取全局位置 p、6D 朝向 θ、线速度 v、6D 角速度 ω，拼接为全局描述符 g_t^i ∈ R^18；控制器额外计算相对头显坐标系的位姿描述符 r_t^c ∈ R^9；全部拼接得 HMD 输入 x_t ∈ R^72（式 (1)）。\n- 视觉输入为头显下视 RGB-D 图像 y_t ∈ R^(C×H×W)；取结束于当前帧的 T 帧窗口构成 I_{t-T+1:t} = {X, Y}（式 (2)）。\n- 设计动机：相对位姿编码降低对全局位姿的敏感性，利于以身体为中心的推理（3.2 节）。\n\n### Step 2 HMD 流时空编码（3.3.1 节，式 (3)）\n\n- 线性嵌入 E_l → 帧级 Transformer T_f（自注意力对整个时间窗内的历史运动线索动态加权，捕获长程时序依赖）→ 取末帧 token 经 MLP F 投影为逐关节特征 → 加可学习关节嵌入 e_j（提供关节身份线索，区分运动模式相似的关节）→ 关节级 Transformer T_j（建模运动学约束、生成解剖学一致的姿态假设）→ 输出 M_t ∈ R^(J×S)。\n\n### Step 3 RGB-D 流编码与可见性感知细化（3.3.2 节，Alg. 1，式 (4)）\n\n- ResNet + FPN 热图编码器从 RGB-D 估计 3D 关键点序列 Z ∈ R^(T×J×3)；相比直接对稠密图像做时空建模，将时序推理复杂度从图像级 O(T·C·H·W) 降至关节级 O(T·J)，且显式 3D 关键点监督可稳定训练（3.3.2 节）。\n- 可见性感知模块：热图总有峰值，视野外关节易被误检为可见（假阳性）；引入可见性概率 ζ ∈ R^(T×J)，经 One Euro filter F 平滑后以掩码 η = ReLU(ζ̃ − 0.5) 抑制不可见关节的响应（Alg. 1 第 5 行）。\n- 增量特征更新：仅对新追加帧提取特征并与缓存的历史帧特征融合（Alg. 1 第 7–16 行），显著减少冗余计算、加速推理。\n- 细化后的关键点序列 Z̃ 再经与 HMD 流结构相同（参数独立）的时空编码器得到 N_t（式 (4)）。\n\n## Step 4 跨模态融合与姿态解码（3.3.3 节，式 (5)）\n\n- 多头 cross-attention：HMD 特征 M_t 作 query，RGB-D 特征 N_t 作 key/value，使运动特征选择性吸收相关视觉线索，得到融合特征 M̃_t。\n- 双分支解码：T_g 专门预测根关节（骨盆）全局旋转（其轨迹平滑稳定，值得独立通路建模），T_l 预测其余关节的局部旋转；架构解耦减少跨空间尺度的干扰（3.3.3 节）。\n- 6D 旋转经 FK 层（以头显世界坐标为根）得到关节位置，再经 One Euro filter 平滑高频抖动，输出 P_t ∈ R^(22×3)（式 (5)）。\n\n## Step 5 运动学姿态优化 KPO（3.4 节，式 (6)(7)，Fig. 3）\n\n- 动机：网络预测仍受遮挡、传感器噪声与 HMD-only 歧义影响；纯逆运动学（IK）在仅有头、手输入时欠约束，会产生歧义或不合理的下半身姿态（3.4 节，引 [^60]）。\n- 头手对齐项 E_A（式 (6)）：对可观测关节集合 O（头、左手、右手）以权重 λ_a 将优化位置 p_k 拉向 VR 系统真值 q_k；对不可观测关节以权重 λ_s 自正则化、保持接近初始预测 p̃_k——仅在观测支持时才调整预测。\n- 骨骼结构保持项 E_S（式 (7)）：按 SMPL 运动树对相邻关节同时惩罚骨长偏差（权重 λ_l）与骨方向偏差（权重 λ_d），保证优化过程中局部骨骼结构不被破坏。\n\n## Step 6 输出与实时部署\n\n- 最终输出 SMPL 全身姿态，经第 5 节基于持久 WebSocket 的跨设备管线（输入客户端 → 推理服务器 → 渲染客户端）实时驱动化身；完整系统 97 FPS（表 2 Row E、表 3、Fig. 5）。\n\n### 3. 关键公式与模块角色\n\n| 公式 / 模块 | 位置 | 角色 |\n|---|---|---|\n| 式 (1)：x_t ∈ R^72 | 3.2 节 | HMD 全局 + 相对运动描述符拼接，构成运动流输入 |\n| 式 (2)：I = {X, Y} | 3.2 节 | T 帧双模态时间窗输入定义 |\n| 式 (3)：M_t = T_j(F([T_f(E_l(X))]_t) + e_j) | 3.3.1 节 | HMD 流「帧级→关节级」两级时空编码 |\n| 式 (4)：N_t（与式 (3) 同构） | 3.3.2 节 | RGB-D 关键点流的时空编码，产出与 HMD 流可融合的特征 |\n| Alg. 1 | 3.3.2 节 | 可见性掩码时序细化（η = ReLU(ζ̃ − 0.5)）+ 增量特征更新 |\n| 式 (5)：P_t = F(FK(T_g(M̃_t), T_l(M̃_t))) | 3.3.3 节 | 融合特征 → 双分支 6D 旋转 → FK → 滤波后的关节位置 |\n| 式 (6)：E_A | 3.4.1 节 | 头手对齐（λ_a）+ 未观测关节自正则（λ_s） |\n| 式 (7)：E_S | 3.4.2 节 | 骨长（λ_l）与骨方向（λ_d）结构保持约束 |\n\n### 4. 设计决策的支撑证据（推理链）\n\n- **时空编码器是精度核心**：表 3 消融显示移除后 MPJRE 从 7.61° 恶化至 14.29°、MPJPE 从 2.92 cm 恶化至 6.42 cm，说明帧级 + 关节级两级注意力对时序一致性与旋转精度不可或缺。\n- **跨模态融合为增益项**：表 3 中以简单特征拼接替代 cross-attention 仅带来轻微下降（MPJPE 3.95 → 4.08 cm），说明时空编码器已充分编码各模态特征，融合模块在其基础上进一步利用互补信息。\n- **KPO 显著提升位置一致性**：表 3 中在 HMD + RGB-D (M) 上加入 KPO 使 MPJPE 从 3.95 降至 2.92 cm（约 26% 提升），且保持关节朝向不变；Fig. 3 直观显示 E_A + E_S 使预测网格贴合真值。\n- **可见性因子 ζ 抑制假阳性**：6.4 节 Fig. 7 显示无 ζ 时视野外关节热图产生大量噪声伪影，加入后热图聚焦有效关节区域；RGB-D 相比 RGB 进一步改善 3D 空间定位。\n- **模块级逐级替换验证**：表 2 Row A→E 显示 MPJPE-U 从 5.61 降至 1.66 cm、MPJPE-L 从 8.45 降至 4.75 cm，同时 FPS 从 216（HMD-only）降至仍实时的 97，验证各模块在精度—速度权衡上的有效性。\n\n### 5. 流程图\n\nmermaid\nflowchart TD\n  A[\"输入: HMD 运动窗口 X (T×72) + RGB-D 图像窗口 Y\"] --> B[\"HMD 流: E_l 线性嵌入 → T_f 帧级 Transformer → F MLP → +e_j 关节嵌入 → T_j 关节级 Transformer → M_t\"]\n  A --> C[\"RGB-D 流: ResNet+FPN 热图编码 → 3D 关键点 Z + 可见性概率 ζ\"]\n  C --> D[\"Alg. 1: One Euro filter 平滑 ζ → 掩码 η=ReLU(ζ̃-0.5) → 细化关键点 Z̃; 增量更新仅处理新帧\"]\n  D --> E[\"同构时空编码器 → N_t\"]\n  B --> F[\"Cross-Attention 融合: M̃_t = CrossAttn(M_t, N_t)\"]\n  E --> F\n  F --> G[\"双分支解码: T_g 根关节全局旋转 + T_l 局部关节旋转 (6D)\"]\n  G --> H[\"FK 前向运动学 + One Euro filter → P_t (22×3) (式5)\"]\n  H --> I[\"KPO 能量优化: E_A 头手对齐 (式6) + E_S 骨骼结构保持 (式7)\"]\n  I --> J[\"输出: SMPL 全身姿态 (22 关节×6D 旋转, 132 维/帧, 97 FPS)\"]\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## Module C4：数据集、基准与实现/评估设置\n\n### 1. 数据集与基准清单（浅层理解）\n\n#### 1.1 本文提出的核心数据集：EgoPoseVR（合成数据集，第 4 节，Table 1）\n\n- **规模**：18,235 条动作序列、共 180 万（1.8M）帧，为该领域目前最大规模的自我中心全身姿态数据集（Table 1 对比行）。\n- **渲染规格**：320×256 分辨率、60 FPS，RGB-D 序列与 HMD 及手柄轨迹时间对齐渲染。\n- **场景覆盖**：8 个大型室内 3D 环境 + 100 张 HDR 全景图，同时提供室内与室外风格光照条件（第 4 节设计目标二）。\n- **外观多样性**：100 套服装（男/女各 50 套）与 20 套鞋类资产（第 4 节设计目标三）。\n- **动作来源**：依据 BABEL [^40] 类别级标注从 AMASS [^36] 精选 2,350 条序列，覆盖日常与任务导向动作（第 4 节设计目标一）。\n- **标注内容**：全身 2D/3D 关节位置、关节旋转（SMPL 格式）、每关节逐帧二值可见性标签、骨盆中心与相机中心双坐标系（支持跨头显配置的 egocentric 投影，第 4 节设计目标四）。\n- **模态组成**：时间同步的 HMD（头显+双手柄）运动轨迹与头显下视 RGB-D 图像，含 2D/3D 关节标注。\n\n#### 1.2 对比基准数据集（Table 1）\n\n- Mo2Cap2 [^61]（530k 帧，鱼眼单目，无旋转/深度/时序连续性）；\n- xR-EgoPose [^51]（383k 帧，鱼眼单目，主要室内）；\n- EgoGlass [^66]（2×170k 立体，无旋转标注）；\n- UnrealEgo [^2]（2×450k 立体，无旋转/深度）；\n- ARES [^28]（1.2M，无身体可见性/深度/时序连续性）；\n- SynthEgo [^7]（2×60k 立体，隐式 HMD 适配）。\n- **关键缺口**（2.3 节明确指出）：现有数据集普遍缺乏时序连续帧、显式关节旋转标注与深度信息，无法模拟动态 6DoF HMD 信号与视觉输入的一致对齐，这正是本文构建新数据集的动机。\n\n### 2. 预处理与划分/覆盖设置（中层分析）\n\n#### 2.1 输入预处理（3.2 节，式 (1)(2)）\n\n- **HMD 运动流**：对每个设备 i∈{H, C_L, C_R}（头显、左/右手柄）提取全局 3D 位置 p、6D 朝向 θ、线速度 v、6D 角速度 ω，拼接为 18 维全局描述子 g；另计算手柄相对头显的位姿（3+6 维局部描述子 r）；最终输入向量 x_t ∈ R^72（式 (1)）。\n- **视觉流**：下视 RGB-D 图像 y_t ∈ R^{C×H×W}，经 ResNet+FPN 热图编码器提取 3D 关键点序列 Z ∈ R^{T×J×3}，将时序推理复杂度从图像级 O(T·C·H·W) 降至关节级 O(T·J)（3.3.2 节）。\n- **时序窗口**：以当前帧 t 结尾的 T 帧连续窗口（式 (2)），支撑时空编码器的长程依赖建模。\n- **输出表示**：SMPL 参数化，22 关节（去除双掌关节，沿用 AvatarPoser [^20] 设定），每帧输出 R^132（22 关节 × 6D 旋转）。\n\n#### 2.2 数据划分（6.1 节）\n\n- 训练/测试划分：**90% 训练 / 10% 测试**，在自建 EgoPoseVR 合成数据集上完成。\n- 所有对比基线（EgoPoser、EgoPoser+EgoPoseFormer）均在同一数据集上重新训练，以保证公平比较（6.5 节亦确认）。\n\n#### 2.3 覆盖设置\n\n- 环境维度：室内+室外光照（100 HDR 全景）；外观维度：100 套服装+20 套鞋类；动作维度：BABEL 引导的 AMASS 多类别动作；视角维度：双坐标系（骨盆中心/相机中心）支持任意头显-相机配置的 egocentric 投影；可见性维度：逐关节二值可见性标签支撑 Alg. 1 的可见性感知细化。\n\n### 3. 训练/推理/评估环境（中层分析）\n\n#### 3.1 训练环境（6.1 节）\n\n- 硬件：单张 NVIDIA GeForce RTX 3090 GPU。\n- 优化器：AdamW，学习率 5.0e-4，batch size 32。\n- 损失函数：2D 关节估计损失 + 3D 姿态估计损失（完整形式与权重策略在补充材料，正文未给出——复现风险点）。\n\n#### 3.2 推理/部署环境（第 5 节，Fig. 5）\n\n- 基于 WebSocket 持久连接的跨设备三组件架构：输入客户端（VR HMD + RGB-D 相机，USB Type-C 物理连接）→ 推理服务器（缓冲队列取最新帧、运行模型、内部姿态细化）→ 渲染客户端（Unity/UE 第三人称监控）。\n- 实时性能：完整系统 **97 FPS**（Table 2 Row E），满足 VR 交互的实时性要求。\n\n#### 3.3 评估协议\n\n- **定量指标**（6.1 节）：MPJPE（cm）、PA-MPJPE（cm）、MPJRE（度）、FPS；上/下半身分别报告（-U/-L）以隔离各模块影响。\n- **基线选择逻辑**（6.2 节）：EgoPoser [^19]（HMD-only SOTA）与 EgoPoser+EgoPoseFormer [^62]（视觉细化组合）；EgoPoseFormer 不能单独作基线，因其仅预测关节位置（与 SMPL 旋转重建不兼容）且训练依赖真实骨盆-相机变换（VR 推理不可得）。\n- **分阶段模块替换评估**（Table 2 Rows A–E）：从基线出发依次替换运动流（Row C）、视觉流（Row D）、加入深度与 KPO（Row E），隔离各组件贡献。\n- **消融研究**（Table 3）：输入模态递进（HMD Only → +RGB(S) → +RGB(M) → +RGB-D(M) → +KPO）与组件移除（去 cross-modal fusion、去 spatiotemporal encoder）。\n- **热图精度分析**（6.4 节，Fig. 7）：通过已知相机内参将预测 3D 关节重投影至 2D 图像平面，验证可见性因子 ζ 与深度输入对热图质量的贡献。\n- **真实场景用户研究**（6.5 节）：20 名被试（11 男 9 女，平均年龄 24.9±3.73，14 人有 VR 经验），经 IRB 批准；5 点 Likert 问卷 6 题（Table 4，覆盖追踪精度 Q1–Q2、响应与稳定性 Q3–Q4、具身感 Q5、未来使用意愿 Q6）；统计方法：Friedman 检验 + Wilcoxon 符号秩检验（Holm–Bonferroni 校正），所有题项 p<0.001，EgoPoseVR 显著优于两基线（Fig. 9）。\n\n### 4. 选择理由与验证目标（深层分析）\n\n#### 4.1 为何构建合成数据集而非采用现有基准\n\n- 现有数据集（Table 1）在**时序连续性、关节旋转标注、深度信息**三个维度上均缺失，而这三者分别是时空编码器训练、HMD 6DoF 信号模拟、3D 空间歧义消解的必要条件（2.3 节）。合成路线可规模化生成、可控变化环境/服装/光照，并避免复杂动捕设备部署（2.2 节）。\n- 论文明确承认 sim-to-real 差距（第 7 节），但选择通过**算法设计**（可见性感知建模 3.3.2 节 + HMD 运动学对齐 3.4 节）而非单纯扩数据来缓解分布偏移，这一策略在真实用户研究中得到间接验证。\n\n#### 4.2 为何采用分阶段模块替换而非端到端对比\n\n- 由于不存在同时融合 HMD 运动与自我中心视觉的先验方法（6.2 节），直接端到端对比不可行；分阶段替换（Rows A→E）可在控制变量的前提下量化每个模块（HMD 编码器、视觉模块、深度、KPO）的边际贡献，例如 Row C 显示所提 HMD 编码器使 MPJRE-U 从 15.39 降至 8.59（Table 2），Row E 显示深度+KPO 使 MPJPE-U 从 3.57 大幅降至 1.66。\n\n#### 4.3 为何需要真实用户研究补充合成评估\n\n- 合成数据上的定量指标无法反映真实部署中的延迟感知、抖动感知与具身感等主观维度；用户研究（6.5 节）验证了 EgoPoseVR 在 Q1–Q6 全部维度显著优于基线（p<0.01/p<0.001），同时暴露了视野丢失/严重遮挡下的失效模式（Fig. 10，第 7 节），形成对方法边界的完整认识。\n\n#### 4.4 这些设置共同验证的核心主张\n\n- **准确性**：全系统在合成测试集上 MPJPE-U=1.66 cm、MPJPE-L=4.75 cm，全面优于 SOTA（Table 2 Row E）；\n- **实时性**：97 FPS 满足 VR 在线部署（Table 2/3）；\n- **模块有效性**：消融证明时空编码器（移除后 MPJRE 恶化至 14.29，Table 3）与 KPO（加入后 MPJPE 从 3.95 降至 2.92）不可或缺；\n- **真实可用性**：无需额外穿戴传感器或房间级追踪的基础设施-free 全身追踪在真实场景中获得最高主观评价（6.5 节，Fig. 9）。\n\n#### 4.5 复现风险提示\n\n- 损失函数完整形式与权重策略、数据集渲染实现细节、逐关节统计结果均在补充材料中（6.1、6.3、6.5 节引用），当前输入未包含；数据集与代码的公开链接在正文中未提供，直接复现需依赖作者后续发布。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## Module C5：指标与结果\n\n### 1. 评估指标定义（浅层理解）\n\n论文采用四项标准指标进行定量评估（6.1 节）：\n\n- **MPJPE**（Mean Per-Joint Position Error，平均每关节位置误差，单位 cm，↓）：预测关节位置与真值之间的平均欧氏距离，直接反映空间定位精度。\n- **PA-MPJPE**（Procrustes Aligned MPJPE，单位 cm，↓）：先做 Procrustes 刚体对齐再计算的位置误差，衡量去除全局对齐差异后的姿态形状误差。\n- **MPJRE**（Mean Per-Joint Rotation Error，平均每关节旋转误差，单位为度 °，↓）：预测关节旋转与真值的平均角度偏差，对 SMPL 化身驱动尤为关键（6.2.1 节）。\n- **FPS**（Frames Per Second，↑）：每秒推理帧数，衡量实时性，是 VR 部署的硬性要求。\n- **上/下半身分项**：表 2 中以 -U（upper body）与 -L（lower body）分别报告，用于隔离各模块对下半身（主要依赖视觉推断）与上半身（HMD 直接观测）的贡献。\n- **用户研究指标**（6.5 节，表 4）：5 点 Likert 量表问卷 Q1–Q6，覆盖四个维度——追踪精度（Q1 上半身、Q2 下半身）、响应与稳定性（Q3 实时性、Q4 稳定性）、具身感（Q5）、未来使用意愿（Q6）。因序数数据不服从正态分布，采用非参数统计：Friedman 检验（总体差异）+ Wilcoxon 符号秩检验（成对比较，Holm–Bonferroni 校正），效应量以 Kendall's W 报告。\n\n### 2. 主要结果（中层分析，含具体数字）\n\n**实验设置**（6.1 节）：NVIDIA RTX 3090，AdamW（lr = 5.0e-4），batch size 32，自建 EgoPoseVR 合成数据集按 90%/10% 训练/测试划分。\n\n**定量主结果（表 2，完整系统 Row E）**：\n\n- MPJPE-U = 1.66±1.05 cm，MPJPE-L = 4.75±4.35 cm\n- PA-MPJPE-U = 2.05±1.53 cm，PA-MPJPE-L = 3.63±3.31 cm\n- MPJRE-U = 8.21±3.96°，MPJRE-L = 6.74±3.94°\n- FPS = 97±6，满足实时 VR 交互需求\n\n**相对增益**：\n\n- 相对 Row A（EgoPoser，HMD-only）：MPJPE-U 5.61→1.66 cm（约降 70%），MPJRE-U 15.48°→8.21°（约降 47%），MPJPE-L 8.45→4.75 cm（约降 44%）。\n- 相对 Row B（EgoPoser+EgoPoseFormer）：MPJPE-U 4.92→1.66 cm（约降 66%），FPS 29→97（约 3.3 倍），MPJRE-L 9.97°→6.74°。\n\n**定性结果**（图 6）：EgoPoser 依赖对侧手臂-腿部协调推断下半身，手臂摆动不明显时失效（图 6(b)）；基于 EgoPoseFormer 的 Row B/C 依赖骨盆在图像中的位置，大幅头部运动（上抬/下俯/侧转，图 6(a)–(d)）时下半身预测不可靠；本文 RGB 模块（Row D）不依赖骨盆定位，深度+KPO（Row E）进一步增强 3D 空间理解与上半身约束。\n\n**热图驱动关节精度分析**（6.4 节，图 7）：无可见性因子 ζ 时，视野外关节的热图产生大量噪声与伪影；引入 ζ 后有效抑制噪声响应并锐化热图分布；RGB-D 相对 RGB 提供更准确的 3D 关节定位（通过已知相机内参将预测 3D 关节重投影到 2D 图像平面验证）。\n\n**用户研究主结果**（6.5 节，图 9；n=20，11 男 9 女，平均年龄 24.9±3.73）：\n\n- Friedman 检验显示全部 6 个条目均存在显著方法效应（p < 0.001）。\n- Q1（上半身精度）：χ²(2)=21.794，p<0.0001，W=0.545；EP+EF 与 EP 无显著差异（p=0.051），且 EP+EF 引入的额外延迟反而降低感知精度。\n- Q2（下半身精度）：χ²(2)=35.368，p<0.0001，W=0.884；EgoPoseVR 显著优于两个基线（均 p<0.001）。\n- Q3（实时性）：χ²(2)=31.886，p<0.001，W=0.797；EP+EF 因计算开销响应最差。\n- Q4（稳定性）：χ²(2)=25.323，p<0.001，W=0.633；EP 与 EP+EF 之间无显著差异（p=0.749），EgoPoseVR 显著更优（p<0.001）。\n- Q5（具身感）：χ²(2)=31.521，p<0.001，W=0.788；EP 与 EP+EF 无显著差异（p=0.090）。\n- Q6（未来使用意愿）：χ²(2)=34.274，p<0.001，W=0.857；EgoPoseVR 显著最高（p<0.001）。\n\n### 3. 与基线/代表性先前工作的对比\n\n- **基线选择逻辑**（6.2 节）：由于缺乏同时融合 HMD 运动与自我中心视觉的先前方法，选取两类单模态 SOTA——HMD-based 的 EgoPoser [^19] 与 egocentric vision-based 的 EgoPoseFormer [^62]，并组合成 EgoPoser+EgoPoseFormer 作为最强可用基线。EgoPoseFormer 不能单独作基线：仅预测关节位置不预测旋转（与 SMPL 重建不兼容），且训练依赖 GT 骨盆-相机变换（VR 推理时不可得），故为其提供 EgoPoser 预测的骨盆位姿以实现公平集成。\n- **阶梯式受控模块替换策略**（6.2 节）：Row B（EgoPoser+EgoPoseFormer）→ Row C（Proposed HMD + EgoPoseFormer，隔离 HMD 编码器贡献）→ Row D（Proposed HMD + Proposed RGB (M)，隔离视觉模块贡献）→ Row E（完整系统，加深度与 KPO）。表 2 以行颜色标注相对上一行的提升幅度（黄 <10%、浅绿 10–20%、深绿 >20%）。\n- **关键对比结论**：\n  - Row B vs A：引入视觉线索显著改善下半身（MPJPE-L 8.45→6.44 cm），但 FPS 从 216 骤降至 29。\n  - Row C vs B：替换 HMD 编码器后全指标提升，MPJRE-U 15.39°→8.59°（约降 44%），归因于关节嵌入设计更有效编码传感器输入。\n  - Row D vs C：精度提升温和（MPJPE-L 5.82→5.23 cm），但 FPS 29→155（约 5.3 倍），精度-速度权衡更优。\n  - Row E vs D：加入深度与 KPO 后 MPJPE-U 3.57→1.66 cm（约降 54%），FPS 降至 97 仍实时。\n- **与数据集层面先前工作的对比**（表 1）：EgoPoseVR 数据集（1.8M 帧）是唯一同时满足时序连续性、关节旋转标注、深度可用性与显式 HMD 适配性的数据集，规模超过 Mo2Cap2（530k）、xR-EgoPose（383k）、UnrealEgo（2×450k）、SynthEgo（2×60k）等。\n\n### 4. 消融、敏感性与跨设置综合（深层分析）\n\n**输入模态消融**（表 3）：\n\n- HMD Only：MPJPE 6.26±4.03 cm，FPS 212±6。\n- +RGB(S)（单帧）：MPJPE 6.26→4.42 cm（约降 29%），对缺乏运动学约束的下半身关节改善最明显。\n- +RGB(M)（多帧）：4.42→4.25 cm，时序堆叠进一步降低位置噪声与朝向不稳定（尤其头部突变运动时）。\n- +RGB-D(M)：4.25→3.95 cm，深度提供几何线索以在遮挡与运动模糊下消歧关节位置。\n- +KPO（完整系统）：3.95→2.92 cm（约降 26%），主要提升全身关节位置一致性并保持旋转预测，FPS 154→97。\n\n**模型组件消融**（表 3）：\n\n- 移除跨模态融合（改为简单特征拼接）：MPJPE 2.92→4.08 cm，下降温和，说明时空编码器已在融合前有效编码各模态特征。\n- 移除时空编码器：MPJPE 2.92→6.42 cm，MPJRE 7.61°→14.29°（几乎翻倍），FPS 156→189；表明时空建模是精度基石，其收益远超计算代价。\n\n**敏感性与失效条件**（6.5 节、图 10、第 7 节）：\n\n- 当手臂遮挡下半身或身体部分/完全移出相机视野时，重建运动平滑度下降（用户研究 Q4 讨论与图 10 失效案例），跨模态融合收益随之减弱。\n- sim-to-real 差距：数据集视觉观测为合成渲染，论文通过可见性感知建模（3.3.2 节）与 HMD 信号运动学对齐（3.4 节）缓解，但真实环境泛化仍待真实同步数据验证。\n\n**跨设置综合解读**：\n\n- 精度-实时性权衡贯穿全部结果：视觉与优化模块持续提升精度但降低 FPS（216→29→155→97），完整系统在 97 FPS 下取得全面最优，是论文主张可部署实时 VR 全身追踪的量化支撑。\n- 主观与客观结果一致：用户研究中 EgoPoseVR 在全部维度显著最优；EP 与 EP+EF 在稳定性（Q4）与具身感（Q5）上无显著差异，说明部分或不稳定的下半身追踪不足以提升具身感——更强的具身感来自精度与时序稳定性的共同提升（6.5 节）。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## Module C6：后续可探索方向\n\n### 浅层概览\n\n论文第 7 节（Limitations and Future Work）明确列出三条局限：①RGB-D 精化模块依赖身体在相机视野内（Fig. 10 展示视野丢失失效案例）；②合成视觉观测与真实数据存在 sim-to-real 差距；③SMPL 参数化（3.2 节）不含生物力学约束。这三点直接构成后续研究的理论起点；同时第 5 节跨设备传输架构与第 6 节评估协议也留有工程与评测层面的扩展空间。以下按理论、工程、数据/评测三个方向展开。\n\n### 一、理论方向\n\n1. **生物力学与物理先验建模**：第 7 节指出 SMPL 生成的姿态可能缺乏物理合理性与高频肌肉动态。可探索将肌肉骨骼（musculoskeletal）模型或基于物理的仿真先验（参考文献中 PIP [^63]、TransPose [^64] 的思路）引入 KPO 能量函数（式 (5)(6)），在现有对齐项 E_A 与结构保持项 E_S 之外增加关节力矩、肌肉激活或足地接触约束，使优化结果在解剖学与动力学层面更真实。\n2. **视野丢失条件下的时序先验与生成式补全**：第 7 节与 Fig. 10 显示当身体移出视野或被严重遮挡时，跨模态融合收益消失。可研究引入扩散式运动先验（如 AGRoL [^11]、REWIND [^25]、EgoEgo [^28]）或学习型时序先验，在视觉证据缺失时以概率方式补全下半身姿态，并给出不确定性量化（如置信度加权的模态融合权重），从理论上刻画“视觉可见性—融合权重—姿态误差”三者的关系。\n3. **Sim-to-real 域适应理论**：第 7 节承认合成数据（第 4 节）与真实部署存在分布差距，当前仅通过可见性感知建模（3.3.2 节、Alg. 1）与 HMD 运动学对齐（3.4 节）缓解。可探索域随机化、对抗域适应或测试时自适应（test-time adaptation）的理论框架，量化分布偏移对 cross-attention 融合（3.3.3 节）鲁棒性的影响。\n\n### 二、工程方向\n\n1. **端侧/头显内推理部署**：第 5 节架构依赖独立推理服务器经 WebSocket 传输数据，引入网络延迟与部署复杂度。可探索模型量化、剪枝与蒸馏，将 EgoPoseVR 压缩至头显端 SoC 运行以消除传输延迟；此外 KPO 模块使 FPS 从 154 降至 97（表 3），可用可微分 IK 或学习式优化器替代迭代能量优化以降低计算成本。\n2. **硬件集成与相机数据访问**：2.2 节指出商用头显（Meta Quest、Apple Vision Pro）不开放下视鱼眼相机数据访问，限制了方法落地。可推动与头显厂商合作或设计外挂 RGB-D 模组的标准化接口，并研究不同相机安装位姿与标定误差下的鲁棒性（第 4 节数据集已提供 pelvis-centered 与 camera-centered 双坐标系以支持跨头显适配，可在此基础上扩展自动标定流程）。\n3. **系统功能扩展**：第 5 节架构支持多模型热切换，可进一步扩展至多用户共享场景、手指级追踪（当前 SMPL 22 关节排除双掌关节，3.2 节）、动态环境与户外场景下的 Unity/UE 实时渲染同步（Fig. 5），以及输入客户端与渲染客户端间的更低延迟双向通信优化。\n\n### 三、数据与评测方向\n\n1. **真实世界同步数据采集**：第 7 节明确将“采集真实环境中时序同步的 HMD 运动与 RGB-D 数据”列为未来工作。可构建携带下视相机的真实采集平台，配合外部光学动捕系统提供真值，覆盖多样物理环境与光照条件，从根本上弥补 1.8M 帧合成数据（第 4 节、表 1）的 sim-to-real 缺口。\n2. **评测协议扩展**：当前指标以 MPJPE/PA-MPJPE/MPJRE/FPS 为主（6.1 节），用户研究仅 20 名被试（6.5 节）。可引入时序稳定性专用指标（如关节加速度抖动 jitter）、跨数据集泛化基准，以及更大样本、含客观任务表现测量（如康复动作完成度、训练效果）的纵向用户研究，以验证第 8 节提出的康复训练等应用场景中的实际效用。\n3. **数据集多样性扩展**：第 4 节数据集基于 AMASS+BABEL 的 2,350 条动作序列、8 个室内场景与 100 张 HDR 全景；可扩展户外真实光照、更多体型与服装组合、快速剧烈动作及多人交互序列，并公开数据与基准以支持社区公平对比（当前文档未提供数据集下载链接，公开化本身即是后续工作）。\n\n### 优先级建议（由浅入深的推进路径）\n\n- **短期（工程）**：端侧推理优化与 KPO 加速——表 3 显示 FPS 从 154 降至 97，直接制约可部署性，收益最明确。\n- **中期（数据）**：真实同步数据采集——第 7 节明确指出这是消除 sim-to-real 差距的根本途径，也是当前评估（6.5 节用户研究仅主观评分）走向客观量化验证的前提。\n- **长期（理论）**：生物力学先验与视野丢失下的生成式补全——第 7 节与 Fig. 10 表明极端场景失效是框架性短板，需要新的建模理论而非增量改进。\n\n### 推理链小结\n\n上述方向均直接锚定论文自述局限（第 7 节）与实验证据：视野丢失失效（Fig. 10）、KPO 计算开销（表 3：FPS 154→97）、合成数据局限（第 4 节、第 7 节）、商用头显相机访问受限（2.2 节）以及用户研究样本与指标局限（6.5 节、6.1 节），保证了后续探索方向与论文贡献链条的一致性与可验证性。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n## Module C7：真实世界部署视角（How would this show up in real-world use?）\n\n### 1. 浅层理解：部署形态与目标场景\n\n- **部署形态**：系统由三部分组成——输入客户端（VR HMD + 双手柄 + 头显下视 RGB-D 相机，相机经 USB Type-C 物理连接）、推理服务器（运行 EgoPoseVR 模型）、渲染客户端（Unity/UE 第三人称监控），三者通过持久 WebSocket 双向通信（第 5 节，Fig. 5）。\n- **目标场景**：具身娱乐、物理训练与康复训练、社交协作等沉浸式 VR 应用（第 1 节、第 8 节），核心卖点是**无需额外穿戴传感器或房间级追踪系统**即可实现全身追踪（摘要、第 8 节）。\n- **实时性结论**：完整系统（HMD + RGB-D (M) + KPO）达到 97 FPS，满足交互式 VR 的实时要求（表 2 Row E、表 3、第 6.2.1 节）。\n\n### 2. 中层分析：部署约束\n\n#### 2.1 硬件约束\n\n- **相机改装需求**：商用头显（如 Meta Quest、Apple Vision Pro）不开放下视鱼眼相机的数据访问权限（第 2.2 节，引 [^34]），因此实际部署需在头显上加装外接商用 RGB-D 相机（第 3.1 节 \"a commercial camera mounted on the headset\"），带来重量增加、供电走线（USB Type-C，第 5 节）与外观改造等工程问题，距离消费级开箱即用仍有差距。\n- **推理不在端侧**：模型在独立推理服务器上运行（第 5 节），依赖头显与服务器间网络的带宽与稳定性；WebSocket 断连或高延迟将直接破坏实时体验。论文未报告网络传输延迟的量化数据，属于部署评估盲区。\n- **视野受限**：下视相机视野有限，用户身体部分或全部移出视野时，跨模态融合收益显著下降（第 7 节，Fig. 10）。\n\n#### 2.2 计算与延迟影响\n\n- **训练成本**：单张 NVIDIA RTX 3090，AdamW（lr = 5.0e-4），batch size = 32（第 6.1 节），训练门槛适中。\n- **推理速度阶梯**（表 3）：HMD-only 212 FPS → +RGB(S) 158 → +RGB(M) 155 → +RGB-D(M) 154 → +KPO 97 FPS。KPO 模块引入约 37% 的速度开销，但将 MPJPE 从 3.95 cm 降至 2.92 cm，是精度-延迟权衡的关键决策点。\n- **基线对照**：EgoPoser+EgoPoseFormer 组合仅 29 FPS（表 2 Row B/C），用户研究中其响应性评分（Q3）显著低于本文方法（第 6.5 节），说明视觉基线的计算开销在真实 VR 中不可接受，凸显本文效率设计的价值。\n- **效率设计**：将时序推理从图像级 O(T·C·H·W) 降至关节级 O(T·J)（第 3.3.2 节）；增量特征更新仅处理新追加帧并与缓存特征融合（Alg. 1，第 3.3.2 节）；输出位置经 one Euro filter 平滑以抑制高频抖动（式 (7)，第 3.3.3 节）。\n- **数据分辨率**：RGB-D 以 320×256@60FPS 渲染与同步（第 4 节），低分辨率降低了计算负担，但也意味着对远距离/小关节的分辨能力有限。\n\n### 3. 深层分析：鲁棒性与安全性\n\n- **可见性失效模式**：当手臂遮挡下肢或身体部位移出相机视野时，重建运动趋于不平滑（第 6.5 节 Q4 分析）；极端情况下（Fig. 10）预测明显偏离真值。缓解手段为可见性概率 ζ + one Euro filter 抑制视野外关节的假阳性热图响应（第 3.3.2 节、Alg. 1、Fig. 7），但这是“降权”而非“补全”，出视野姿态仍主要依赖 HMD 先验，存在歧义风险。\n- **sim-to-real 差距**：训练数据全部为合成渲染（AMASS 动作 + 8 个室内场景 + 100 张 HDR 全景，第 4 节），真实环境的光照、材质、服装多样性可能引发分布偏移。论文通过可见性感知建模（3.3.2 节）与 KPO 的 HMD 信号对齐（3.4 节）部分缓解（第 7 节），但作者明确承认需未来收集真实世界同步数据（第 7 节）。\n- **运动模糊与头部突变运动**：头部快速运动引发视觉退化与场景突变（第 1 节、第 3.3.2 节），多帧时序输入（M 配置）与可见性过滤是主要对策（表 3 消融显示 RGB(M) 相比 RGB(S) 进一步降低误差）。\n- **物理合理性风险**：SMPL 参数化不含生物力学约束，生成姿态可能缺乏物理可信度或高频肌肉动态（第 7 节）。若部署于康复训练等对动作质量敏感的场景（第 8 节），错误姿态可能误导训练评估，属于安全相关隐患，需引入 musculoskeletal 或物理先验（第 7 节未来工作）。\n- **用户验证**：真实场景用户研究经 IRB 批准，20 名被试，EgoPoseVR 在准确性、稳定性、具身感与未来使用意愿上均显著优于基线（Friedman/Wilcoxon 检验，p < 0.01，第 6.5 节、Fig. 9），提供了部署可行性的主观证据，但样本量有限且局限于单一实验室环境。\n\n### 4. 深层分析：可维护性\n\n- **模块化服务架构**：推理服务器可同时托管多个模型并灵活切换，无需改动客户端架构（第 5 节），便于后续模型迭代与 A/B 测试。\n- **跨头显兼容设计**：数据集同时提供骨盆中心与相机中心两套关节坐标，通过 FK 与预计算的头-相机相对位姿支持任意 HMD-相机配置（第 4 节），降低换硬件时的数据重标定成本。\n- **双向通信与监控**：WebSocket 支持头显内可视化与第三方 UE 渲染同步监控（第 5 节），利于部署期调试与运维。\n- **维护缺口**：代码与数据集链接未在文档中给出（Module A 已确认），损失函数完整形式与超参在补充材料中（第 6.1 节），当前无法直接复现部署管线；真实环境长期运行的漂移、相机标定老化、网络抖动等运维问题论文未讨论。\n\n### 5. 综合判断\n\nEgoPoseVR 在真实世界中的落地路径清晰：以“头显 + 外接下视 RGB-D + 远端推理服务器”形态部署，97 FPS 满足实时交互，用户研究支持其主观可用性。主要落地障碍依次为：(1) 商用头显相机数据访问受限导致的硬件改装；(2) 出视野/遮挡下的性能退化；(3) 合成到真实的泛化风险；(4) 缺乏生物力学约束带来的康复等安全敏感场景隐患。可维护性方面架构设计良好（模型热切换、跨头显坐标兼容），但开源与运维细节缺失是当前复现部署的最大不确定性。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## Module C8：精炼总结\n\n### 1. 总结段落（6–8 句）\n\nEgoPoseVR 是一个面向 VR 场景的端到端自我中心全身姿态估计框架，通过融合头显与手柄的稀疏运动信号和头显下视 RGB-D 相机的视觉观测，解决仅用 HMD 推断下半身姿态的根本歧义问题（第 1 节、Fig. 2）。框架采用双流时空编码器分别提取 HMD 运动流与 RGB-D 视觉流的帧级时序动态与关节级依赖特征，并通过 cross-attention 在共享潜空间中融合互补线索（3.3 节，式 (3)(4)）。针对视觉模态的运动模糊与视野丢失问题，论文设计可见性感知的时序关节检测模块（Alg. 1），利用可见性概率 ζ 与 One Euro 滤波抑制视野外关节的虚假热图响应。随后，基于能量函数的运动学姿态优化（KPO）以头/手对齐项与骨骼结构保持项精修预测，保证与 VR 追踪信号及骨架约束的一致性（3.4 节，式 (5)(6)）。为支撑训练与评估，论文构建首个面向 VR 的大规模合成数据集，含 180 万帧时间同步的 HMD 运动与 RGB-D 数据，并具备旋转标注、深度信息与跨头显适配能力（第 4 节、表 1）。实验表明，EgoPoseVR 在合成数据上全面超越 EgoPoser 与 EgoPoseFormer 基线（如 MPJPE-U 从 5.61 cm 降至 1.66 cm），同时保持 97 FPS 的实时性能（表 2）。真实场景用户研究（20 名被试）进一步验证其在准确性、稳定性、具身感与未来使用意愿上的主观评分显著优于基线（6.5 节、Fig. 9）。\n\n### 2. 五个关键要点\n\n1. **双模态互补融合**：HMD 信号空间稀疏导致下半身推断歧义，下视 RGB-D 提供直接身体观测；cross-attention 以 HMD 特征为 Query、视觉特征为 Key/Value，实现选择性的视觉引导融合（3.3.3 节）。\n2. **可见性感知时序细化**：Alg. 1 以掩码 η = ReLU(ζ̃ − 0.5) 过滤视野外关节的虚假检测，配合 One Euro 滤波平滑与增量特征更新机制，兼顾时序稳定性与推理效率（3.3.2 节、Fig. 7）。\n3. **能量驱动运动学优化（KPO）**：E_A 强制头/手与 VR 观测对齐并对未观测关节自正则，E_S 惩罚相邻关节骨长与骨向偏差，弥补纯 IK 在头手约束下的欠定问题（3.4 节、Fig. 3）。\n4. **首个 VR 专用时空同步数据集**：1.8M 帧、18,235 条序列，含 2D/3D 关节与旋转标注、深度图、逐关节可见性标签及显式 HMD 适配，填补现有基准缺乏时序连续性与旋转标注的空白（表 1、第 4 节）。\n5. **精度—实时性权衡获实证**：完整系统 MPJPE-U 1.66 cm、MPJRE-L 6.74°、97 FPS（表 2 Row E）；消融显示时空编码器与 KPO 贡献最大（表 3）；用户研究各维度均 p < 0.001 显著优于基线（6.5 节、Fig. 9）。\n\n### 3. 核心公式/机制\n\nKPO 联合能量函数（式 (5)(6)，3.4 节）：\n\n$$E = E_A + E_S$$\n\n头/手对齐项：\n\n$$E_A = \\sum_{k \\in O} \\lambda_a \\|\\mathbf{p}_k - \\mathbf{q}_k\\|^2 + \\sum_{k \\notin O} \\lambda_s \\|\\mathbf{p}_k - \\tilde{\\mathbf{p}}_k\\|^2$$\n\n骨骼结构保持项：\n\n$$E_S = \\sum_i \\sum_{j \\in \\mathcal{M}(i)} \\left[ \\lambda_l \\|\\ell(\\mathbf{J}_{ij}) - \\ell(\\tilde{\\mathbf{J}}_{ij})\\|^2 + \\lambda_d \\|\\mathbf{J}_{ij} - \\tilde{\\mathbf{J}}_{ij}\\|^2 \\right]$$\n\n**机制说明**：E_A 对可观测关节集合 O（头、左手、右手）强制优化位置 p_k 与 VR 传感器观测 q_k 对齐，对不可观测关节施加向网络初始预测 p̃_k 的自正则；E_S 基于 SMPL 运动树邻接集 M(i) 惩罚骨长（ℓ(·)）与骨向偏差。二者联合确保优化仅在传感器证据支持下调整预测，避免欠约束 IK 产生不合理的下半身姿态，同时保持骨架结构一致（3.4.1–3.4.2 节）。该机制与整体推理管线（式 (4)：P_t = F(FK(T_g(M̃_t), T_l(M̃_t)))）共同构成从多模态特征到可部署实时全身姿态的完整链路。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## Module D：第二遍精读理解\n\n### 1. 结构树（Structure Tree）\n\n``nEgoPoseVR\n├── 1 Introduction（动机：HMD-only 下半身推断歧义；视觉方法时序不稳/非实时/商用头显相机数据不可访问）\n├── 2 Related Works\n│   ├── 2.1 VR 中的自我中心姿态估计（HMD-only：AvatarPoser/AvatarJLM/EgoPoser；扩散类 AGRoL/EgoEgo；附加 IMU：DIP/SIP/TransPose/PIP/HMD-Poser）\n│   ├── 2.2 头戴相机运动追踪（Mo2Cap2/xR-EgoPose/Ego3DPose/REWIND/EgoPoseFormer；数据集缺口见 Table 1）\n│   └── 2.3 时空建模（视频类 PoseFormer/MixSTE/MHFormer；稀疏运动流 PhaseMP/ReMP/KTPFormer）\n├── 3 Methodology（核心方法）\n│   ├── 3.1 Overview（双流时空框架总览，Fig. 2）\n│   ├── 3.2 输入模态与姿态表示（HMD 输入 x_t∈R^72，式(1)；RGB-D y_t；SMPL 22 关节 6D 旋转→每帧 R^132）\n│   ├── 3.3 HMD 与 RGB-D 特征建模\n│   │   ├── 3.3.1 HMD 流编码器（E_l → T_f → F → +e_j → T_j，式(3)）\n│   │   ├── 3.3.2 RGB-D 流编码器（ResNet+FPN 热图→3D 关键点 Z；可见性概率 ζ；Alg. 1 时序细化+增量更新；式(4)）\n│   │   └── 3.3.3 跨模态时空融合（cross-attention；T_g/T_l 双分支解码；FK + one Euro filter，式(6)）\n│   └── 3.4 基于能量函数的运动学姿态优化 KPO\n│       ├── 3.4.1 头手对齐项 E_A（式(5)：λ_a 对齐 + λ_s 自正则）\n│       └── 3.4.2 骨骼结构保持项 E_S（骨长 λ_l + 骨向 λ_d）\n├── 4 合成数据集构建（EgoPoseVR 数据集：1.8M 帧，对比见 Table 1）\n├── 5 跨设备数据传输管线（WebSocket：输入客户端/推理服务器/渲染客户端，Fig. 5）\n├── 6 Evaluations\n│   ├── 6.1 实验设置（RTX 3090、AdamW、batch 32、90/10 划分）\n│   ├── 6.2 与现有方法对比（Table 2 定量 + Fig. 6 定性）\n│   ├── 6.3 消融研究（Table 3）\n│   ├── 6.4 热图驱动的关节精度分析（Fig. 7）\n│   └── 6.5 真实场景用户研究（20 人，Table 4 问卷，Fig. 9 统计检验）\n├── 7 Limitations and Future Work（视野丢失失效 Fig. 10、sim-to-real 差距、SMPL 缺乏生物力学约束）\n└── 8 Conclusion\n``n\n\n### 2. 方法/系统分解（method 原型）\n\n### 输入（3.2 节，式(1)(2)）\n\n- HMD 运动流：对头/左手柄/右手柄（i∈{H, C_L, C_R}）各提取全局 3D 位置 p∈R^3、6D 朝向 θ∈R^6、线速度 v∈R^3、6D 角速度 ω∈R^6，拼接为全局描述子 g_t^i∈R^18；两控制器相对头显坐标系的局部描述子 r_t^c∈R^9；总输入 x_t∈R^72，取 T 帧窗口 X∈R^{T×72}。\n- 视觉流：头显下视 RGB-D 相机图像 y_t∈R^{C×H×W}，窗口 Y∈R^{T×C×H×W}。\n- 输出：SMPL 参数化 22 关节（去除双掌关节）的 6D 旋转，每帧 R^132；经 FK 得关节位置 P_t∈R^{22×3}（式(6)）。\n\n### 模块分解\n\n1. **HMD 流编码器**（3.3.1，式(3)）：线性嵌入 E_l → 帧级 Transformer T_f（跨整窗自注意力捕获长程时序）→ MLP F 汇聚为帧特征 → 加可学习关节嵌入 e_j（区分运动模式相似的关节）→ 关节级 Transformer T_j（建模运动学约束），输出 M_t∈R^{J×S}。\n2. **RGB-D 流编码器**（3.3.2）：ResNet+FPN 热图编码器先估计 3D 关键点序列 Z∈R^{T×J×3}，将时序推理复杂度从图像级 O(T·C·H·W) 降至关节级 O(T·J)，且显式 3D 关节监督稳定训练；可见性概率头输出 ζ∈R^{T×J}，经 one Euro filter F 平滑；Alg. 1 以掩码 η=ReLU(ζ̃−0.5) 抑制视野外关节的假阳性热图响应，并采用增量特征更新（仅对新帧提特征、与缓存旧帧特征拼接）加速推理；随后用与 HMD 流同构但参数独立的时空编码器得到 N_t（式(4)）。\n3. **跨模态融合**（3.3.3）：HMD 特征作 Query、RGB-D 特征作 Key/Value 的多头 cross-attention；融合特征 M̃_t 送入双分支前馈网络——T_g 专司骨盆（根关节）全局旋转、T_l 处理其余关节局部旋转，降低跨尺度干扰；6D 旋转经 FK 层（以头显世界坐标为根）得到位置，再经 one Euro filter 平滑高频抖动（式(6)）。\n4. **KPO 运动学优化**（3.4）：能量最小化细化关节位置。E_A（式(5)）对可观测关节（头、双手）以权重 λ_a 对齐 VR 观测 q_k，对不可观测关节以 λ_s 自正则贴近初始预测 p̃_k；E_S 惩罚相邻关节骨长偏差（λ_l）与骨向偏差（λ_d），保持 SMPL 运动树结构。Fig. 3 显示仅用 E_A 会破坏骨骼结构，E_A+E_S 才能兼顾传感器对齐与结构合理性。\n\n### 损失与训练（6.1 节）\n\n- 训练目标：2D 关节估计损失 + 3D 姿态估计损失（完整形式与权重策略在补充材料）。\n- 优化器 AdamW，学习率 5.0e-4，batch size 32，NVIDIA RTX 3090；数据 90% 训练 / 10% 测试。\n\n## 推理流程（第 5 节，Fig. 5）\n\n- 输入客户端（HMD 与 RGB-D 相机经 USB Type-C 连接）→ 持久 WebSocket → 推理服务器（缓冲队列取最新帧、运行模型、内部细化）→ 结果回传输入客户端（头内可视化）与渲染客户端（Unity/UE 第三人称监控）；全系统 97 FPS，支持多模型热切换。\n\n### 3. 重要图表解读\n\n**Table 2（模块级定量对比，6.2.1 节）**：采用受控模块替换的阶梯式评估。Row A（EgoPoser）MPJPE-U/L=5.61/8.45 cm，FPS 216；Row B 加入 EgoPoseFormer 后 MPJPE-L 降至 6.44，但 FPS 骤降至 29；Row C 换用本文 HMD 编码器后 MPJRE-U 从 15.39° 大幅降至 8.59°（改善>20%，深绿标注），验证关节嵌入设计对旋转精度的贡献；Row D 换用本文 RGB 模块，精度略升且 FPS 回升至 155；Row E 完整系统（+深度+KPO）MPJPE-U 降至 1.66 cm（较 Row D 约降 53%）、MPJRE-L 6.74°，FPS 仍达 97，实现精度-速度最佳权衡。该表是“每个模块带来多少收益”的核心证据链。\n\n**Table 3（消融研究，6.3 节）**：输入模态维度上，HMD Only MPJPE=6.26；+单帧 RGB(S) 降至 4.42（主要补强下半身位置约束）；+多帧 RGB(M) 降至 4.25；+深度 RGB-D(M) 降至 3.95；+KPO 后全系统 MPJPE=2.92、PA-MPJPE=2.70，FPS 仍达 97。组件维度上，去除跨模态融合（改简单拼接）仅升至 4.08，说明时空编码器已充分编码模态特征；去除时空编码器则 MPJPE 恶化至 6.42、MPJRE 恶化至 14.29°，证明时序建模是稳定性根基。\n\n**Fig. 7（热图与可见性因子分析，6.4 节）**：通过已知相机内参将预测 3D 关节重投影到 2D 平面进行验证。左列（无 ζ）显示视野外关节产生大量噪声热图伪影（固定阈值无法自适应抑制）；中列（引入 ζ）有效抑制无效响应并锐化热图分布；RGB 与 RGB-D 行对比显示深度线索提升 3D 空间结构与关节定位精度。该图直接支撑 3.3.2 节可见性感知设计的必要性。\n\n**Fig. 9 + Table 4（用户研究统计，6.5 节）**：20 名被试对 EP、EP+EF、EgoPoseVR 在 6 项 5 点 Likert 问卷（追踪精度 Q1-Q2、响应与稳定 Q3-Q4、具身感 Q5、未来使用意愿 Q6）评分；Friedman 检验全部显著（如 Q2 下半身精度 χ²(2)=35.368，Kendall's W=0.884）；Wilcoxon 事后检验（Holm–Bonferroni 校正）显示 EgoPoseVR 在全部维度显著优于两个基线（多数 p<0.001）；EP 与 EP+EF 在 Q4 稳定性（p=0.749）与 Q5 具身感（p=0.090）上无显著差异，说明部分或不稳定的下半身追踪不足以提升具身感，精度与时序稳定共同驱动主观接受度。\n\n### 4. 实验与评估细节\n\n- **数据集**：自建 EgoPoseVR 合成数据集（第 4 节，Table 1）：18,235 条序列、1.8M 帧、320×256@60FPS；动作源自 AMASS 并以 BABEL 类别标注筛选 2,350 条；8 个室内 3D 场景 + 100 张 HDR 全景（覆盖室内外光照）；100 套服装（50 男/50 女）+ 20 双鞋；提供骨盆中心与相机中心双坐标系关节标注及逐关节可见性标签，支持任意 HMD-相机配置。对比 Table 1，其为唯一同时具备深度信息、关节旋转标注、时序连续性与显式 HMD 适配的数据集。\n- **指标**：MPJPE（cm）、PA-MPJPE（cm）、MPJRE（°）、FPS；上/下半身分开报告（-U/-L）以隔离各模块影响。\n- **对比目标与公平性（6.2 节）**：因无先验工作同时融合 HMD 与视觉，采用单模态 SOTA 组合：EgoPoser（HMD-only）、EgoPoser+EgoPoseFormer（视觉细化）。EgoPoseFormer 不单独作为基线，因其仅预测关节位置（与 SMPL 旋转重建不兼容）且训练依赖 GT 骨盆-相机变换（VR 推理不可得）；为公平，向其提供 EgoPoser 预测的骨盆位姿。阶梯替换（Row B→C→D→E）保证每次仅改动一个模块，归因清晰。\n- **消融**：见 Table 3 解读；更多消融在补充材料。\n- **用户研究公平性（6.5 节）**：所有对比模型均用所提数据集训练；三种方法化身在 UE 中并排实时渲染、由同一设备同一用户输入驱动；被试对化身-方法对应关系不知情；经 IRB 批准；20 人（11 男 9 女，均值 24.9±3.73 岁），14 人有 VR 经验，8 人有姿态追踪开发经验。\n- **失效模式（Fig. 10，第 7 节）**：身体部分/完全移出视野或严重遮挡时跨模态融合收益消失；手臂遮挡下半身时重建平滑度下降。\n\n### 5. 方法架构图（适配 method 原型）\n\n``n                 ┌────────────────────────────────────────────────┐\n HMD 运动信号     │ HMD 流：E_l → T_f(帧级) → F → +e_j → T_j(关节级)   │→ M_t ──┐\n x_t∈R^72 (T帧)  └────────────────────────────────────────────────┘        │\n                                                                  cross-attention\n RGB-D 图像       ┌────────────────────────────────────────────────┐        │ (Q=M_t,\n y_t (T帧)       │ ResNet+FPN 热图 → 3D 关键点 Z                     │→ N_t ──┘  K,V=N_t)\n                 │ 可见性 ζ → one Euro filter → Alg.1 掩码细化 Z̃      │        │\n                 │ 增量更新(仅新帧提特征) → 同构时空编码器(式(4))         │        │\n                 └────────────────────────────────────────────────┘        ↓\n                                                                  融合特征 M̃_t\n                                                                   ┌─────┴─────┐\n                                                             T_g(骨盆全局旋转)  T_l(局部关节旋转)\n                                                                   └─────┬─────┘\n                                                            6D 旋转 → FK(头显世界坐标)\n                                                                         ↓\n                                                            one Euro filter → P_t∈R^{22×3}\n                                                                         ↓\n                                            KPO 能量优化：E_A(头手对齐+自正则, 式(5)) + E_S(骨长/骨向保持)\n                                                                         ↓\n                                                            SMPL 全身姿态（22 关节，97 FPS）\n``n\n**关键结论链**：(1) HMD-only 下半身歧义（第 1 节）→ (2) 引入下视 RGB-D 但需解决时序不稳与假阳性热图（3.3.2 节，Fig. 7）→ (3) 关键点级时序建模降低计算量并稳定训练（3.3.2 节）→ (4) cross-attention 融合互补线索（3.3.3 节，Table 3 去融合实验）→ (5) KPO 强制与 VR 信号一致并保持骨骼结构（3.4 节，Fig. 3）→ (6) 合成数据集填补时序+旋转+深度标注空白（第 4 节，Table 1）→ (7) 定量（Table 2/3）与主观（Fig. 9）双重验证，97 FPS 满足实时 VR 部署（第 5 节）。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## Module E：第三轮深读评审（Third-Pass Deep Review）\n\n### 1. 可复现性重构（Reconstructability）\n\n#### 1.1 整体推理管线伪代码重构\n\n依据 Sec. 3（Eq. (1)–(6)）与 Alg. 1，核心管线可重构如下：\n\npseudo\n输入: HMD 运动窗口 X ∈ R^{T×72}（Eq. (1)(2)，含头/左手柄/右手柄的全局描述符 g 与头相对描述符 r）\n      RGB-D 序列 Y ∈ R^{T×C×H×W}，HMD 观测位置 {q_k}, k∈O={head, C_L, C_R}\n      权重 {λ_a, λ_s, λ_l, λ_d}\n输出: 全身关节位置 P_t ∈ R^{22×3} 与 22×6D 关节旋转（SMPL 参数化，Sec. 3.2）\n\n# 步骤 1：HMD 流编码（Sec. 3.3.1, Eq. (3)）\n\nM = T_j( F( [T_f(E_l(X))]_t ) + e_j ) # 线性嵌入 → 帧级 Transformer → MLP → 关节嵌入 e_j → 关节级 Transformer\n\n# 步骤 2：RGB-D 流编码（Sec. 3.3.2）\n\nZ, ζ ← ResNet+FPN(Y) # 3D 关键点热图 Z ∈ R^{T×J×3} + 可见性概率 ζ ∈ R^{T×J}\nζ̃ ← OneEuroFilter(ζ) # 时序平滑\nZ̃ ← Alg.1(Y, Z, ζ̃) # 掩码 η = ReLU(ζ̃ − 0.5)，Z̃ = Z ⊙ η；\n\n                                          # 非首批帧采用增量更新：仅对新帧提取特征并与缓存特征拼接\n\nN = T_j( F( [T_f(E_l(Z̃))]_t ) + e_j ) # 与 Eq. (3) 同构，但参数独立训练\n\n# 步骤 3：跨模态融合（Sec. 3.3.3）\n\nM̃ = CrossAttn(Q=M, K=N, V=N) # 多头 cross-attention\n\n# 步骤 4：双分支解码（Sec. 3.3.3, Eq. (4)）\n\nθ_root = T_g(M̃); θ_local = T_l(M̃) # 根关节（骨盆）与局部关节 6D 旋转解耦\nP_t = OneEuroFilter( FK(θ_root, θ_local) ) # 前向运动学 + 位置轨迹滤波\n\n# 步骤 5：运动学优化 KPO（Sec. 3.4）\n\nmin_p E_A + E_S\nE_A = Σ_{k∈O} λ_a‖p_k − q_k‖² + Σ_{k∉O} λ_s‖p_k − p̃_k‖²            # Eq. (5)：观测对齐 + 未观测自正则\nE_S = Σ_i Σ_{j∈M(i)} [λ_l‖ℓ(J_ij)−ℓ(J̃_ij)‖² + λ_d‖J_ij−J̃_ij‖²]    # Eq. (6)：骨长 + 骨方向保持\n``n\n\n#### 1.2 训练配置重构要点（Sec. 6.1）\n\n- 硬件：NVIDIA RTX 3090；优化器 AdamW，学习率 5.0e-4，batch size 32。\n- 数据划分：自建合成数据集 90% 训练 / 10% 测试（18,235 序列、1.8M 帧、320×256@60FPS，Sec. 4）。\n- 损失：2D 关节估计损失 + 3D 姿态估计损失；完整形式与权重策略在补充材料（当前不可得）。\n- 数据集构建要素（Sec. 4）：AMASS+BABEL 精选 2,350 序列、8 个室内场景、100 张 HDR 全景、100 套服装、20 套鞋履，提供骨盆中心与相机中心双坐标系及逐关节可见性标签。\n\n#### 1.3 复现缺口（Reconstruction Gaps）\n\n- 时序窗口 T 的具体取值、Transformer 层数/特征维度 S、MLP 结构未在正文给出。\n- KPO 的求解方式（解析/迭代优化器）、迭代次数与收敛准则未说明（Sec. 3.4）。\n- One Euro Filter 的截止频率与速度系数参数未给出（Sec. 3.3.2、3.3.3）。\n- 损失权重策略、补充消融与逐关节统计均在补充材料（Sec. 6.1、6.3、6.5），当前输入缺失。\n- 文档未提供代码仓库与数据集下载链接（Module A 已确认），渲染引擎与相机内外参细节亦缺失，完整复现受阻。\n\n### 2. 隐含假设（Assumptions）\n\n- **头显下视 RGB-D 相机数据可访问**：系统假设可在头显上集成 RGB-D 相机并读取其数据流（Sec. 3.1、Sec. 5），而论文自身指出商用头显（Meta Quest、Apple Vision Pro）不开放下视相机数据（Sec. 2.2），即方法可行性建立在定制硬件前提之上。\n- **HMD/手柄追踪信号近似可靠**：KPO 对齐项 E_A（Eq. (5)）将头与双手位置 q_k 作为准真值约束，隐含假设 VR 系统 6DoF 追踪低噪声、低延迟；若追踪漂移，优化会被错误观测牵引。\n- **合成数据可近似真实分布**：训练与全部定量评测均在自建合成数据集上进行（Sec. 4、6.1），假设 AMASS 动作加渲染 RGB-D 足以覆盖真实变化；sim-to-real 差距仅靠可见性建模与 KPO 部分缓解（Sec. 7）。\n- **用户身体至少部分处于相机视野内**：可见性模块 ζ 可抑制出视野关节的虚假热图响应（Sec. 3.3.2、Fig. 7），但跨模态融合的收益依赖身体可见性（Sec. 7、Fig. 10）。\n- **SMPL 22 关节参数化足以表达任务**：排除双手掌关节（Sec. 3.2），且不引入生物力学约束，接受可能出现的物理不合理姿态（Sec. 7）。\n- **推理端具备服务器级 GPU 算力**：97 FPS 基于 RTX 3090（Sec. 6.1、Table 2），隐含“输入客户端—推理服务器—渲染客户端”的 WebSocket 分离式部署形态（Sec. 5、Fig. 5）。\n\n### 3. 失效模式与盲点（Failure Modes / Blind Spots）\n\n- **视野丢失与严重遮挡**：身体移出相机视野或被手臂遮挡时，视觉流失效，跨模态融合收益消失，重建运动趋于不平滑（Fig. 10、Sec. 6.5 Q4 讨论、Sec. 7）；这是当前框架最明确的失效边界。\n- **Sim-to-real 泛化缺乏定量证据**：真实场景验证仅为 20 人主观用户研究（Sec. 6.5），无真实数据上的 MPJPE/MPJRE 客观指标；剧烈头部运动引起的运动模糊与场景突变仍可能破坏热图质量（Sec. 1、Fig. 4、Fig. 7）。\n- **KPO 的误差传播与算力代价**：E_A 依赖 HMD 观测，若头显追踪异常会将错误约束注入优化结果；同时 KPO 使 FPS 从 155 降至 97（Table 3），在移动端或低端 GPU 上可能跌破实时阈值。\n- **基线覆盖盲点**：定量对比仅限 EgoPoser 与 EgoPoseFormer 两种单模态 SOTA（Sec. 6.1），未与扩散式方法（AGRoL、EgoEgo）或物理仿真式方法（QuestSim）在精度—速度轴上正面对比；且 EgoPoseFormer 无法独立运行，需 EgoPoser 提供骨盆位姿方可集成（Sec. 6.2），对比公平性部分依赖作者的集成选择。\n\n### 4. 优势与不足（Strengths and Weaknesses）\n\n#### 优势\n\n- **数据集贡献填补明确空白**：首个提供时序对齐 HMD 运动 + RGB-D、关节旋转标注、深度信息与逐关节可见性标签的大规模合成数据集（1.8M 帧，Table 1、Sec. 4），直接补齐 Table 1 中“时序连续性”与“深度可用性”两项此前全部为空的能力。\n- **复杂度设计合理**：将视觉时序建模从图像级 O(T·C·H·W) 降至关节级 O(T·J)（Sec. 3.3.2），配合 Alg. 1 的增量特征更新，是维持实时性的关键结构决策。\n- **模块化验证充分**：Table 2 的 Row A–E 阶梯式模块替换实验与 Table 3 消融清晰隔离各组件贡献；KPO 效果在 Fig. 3 中有直观可视化（E_A+E_S 相对仅 E_A 明显降低红色误差区域）。\n- **定量提升显著**：完整系统 MPJPE-U 从 5.61 cm（EgoPoser）降至 1.66 cm，MPJRE-U 从 15.48° 降至 8.21°，同时保持 97 FPS（Table 2 Row E）；可见性因子 ζ 对热图去噪的作用有 Fig. 7 的重投影证据支撑。\n- **用户研究规范严谨**：经 IRB 批准、被试对方法排列盲测、采用非参数统计（Friedman 检验 + Wilcoxon 符号秩检验与 Holm–Bonferroni 校正），六个问卷维度均达 p<0.001（Sec. 6.5、Table 4、Fig. 9），且对 EP+EF 延迟负面效应的解释（Q1 中 p=0.051 无显著差异）体现了细致的归因分析。\n\n#### 不足\n\n- **泛化证据不足**：所有定量结果来自自建合成数据集，未在 Mo2Cap2、xR-EgoPose、UnrealEgo 等公开基准上交叉验证（Sec. 6.1），跨数据集泛化能力未知。\n- **硬件前提与部署声明存在张力**：方法依赖外接头显的 RGB-D 相机，而 Sec. 2.2 自述商用头显不开放相机数据，“无需额外基础设施的可部署全身追踪”（Abstract、Sec. 8）的表述需以定制硬件为前提理解。\n- **下肢精度仍显著落后上肢**：Row E 中 MPJPE-L 为 4.75 cm（±4.35）对比 MPJPE-U 1.66 cm（±1.05）（Table 2），大标准差提示大关节角、遮挡等难样本仍未解决。\n- **关键实现细节不可得**：损失权重、网络超参、KPO 求解设置均在补充材料（Sec. 6.1、6.3），且无代码/数据发布链接，第三方完整复现受阻。\n- **SMPL 表达局限**：缺乏生物力学约束，生成姿态可能物理不合理、缺少高频肌肉动态（Sec. 7 自述）。\n\n### 5. 后续研究方向（Next-Step Research Directions）\n\n- **构建真实世界同步数据集**：采集跨多样物理环境的时序同步 HMD 运动 + RGB-D 真实数据，定量刻画并缩小 sim-to-real 差距（Sec. 7 明确规划）。\n- **视野丢失条件下的生成式补全**：引入时序先验或生成式模型（如扩散模型）处理身体完全出视野或严重遮挡的视觉稀疏条件（Sec. 7，对应 Fig. 10 失效案例）。\n- **融合肌骨/物理先验**：在 SMPL 之上引入 musculoskeletal 或 physics-based 约束，提升姿态的解剖与物理合理性（Sec. 7）。\n- **轻量化与端侧部署验证**：将推理迁移至头显端或边缘设备，评估 KPO 在低算力平台上的精度—速度取舍；同时在公开 egocentric 数据集上开展跨数据集评测，补齐泛化证据链。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## Module F：术语表与概念依赖图\n\n### 一、术语表（共 32 条）\n\n#### 1. Egocentric Full-Body Pose Estimation（自我中心全身姿态估计）\n\n- **定义**：从第一人称视角传感器（头显运动信号、头戴下视相机）推断用户全身 22 关节旋转与位置的任务。\n- **直觉**：相机长在头上，只能看到身体的一部分（主要是下肢），需要据此推断完整骨架姿态。\n- **论文中的作用**：全文核心任务（第 1 节、3.1 节）；输出为每帧 R^132 的 SMPL 参数化姿态（3.2 节）。\n- **前置知识**：3D 人体姿态估计、自我中心视觉。\n\n#### 2. HMD（Head-Mounted Display，头戴式显示器）\n\n- **定义**：VR 头显设备，提供头部与左右手柄的 6DoF 位姿、速度等运动测量。\n- **直觉**：VR 系统中唯一稳定可靠的传感器三件套——头 + 双手柄。\n- **论文中的作用**：运动模态输入来源；3.2 节将其编码为 x_t ∈ R^72 的输入向量（式 (1)）。\n- **前置知识**：VR 硬件、6DoF 追踪。\n\n#### 3. RGB-D Camera（RGB-D 相机）\n\n- **定义**：同时输出彩色图像与逐像素深度图的相机；本文将其下视安装于头显。\n- **直觉**：不仅知道看到什么，还知道离多远，为 3D 关节定位提供几何线索。\n- **论文中的作用**：视觉模态输入 y_t（3.2 节）；消融显示加入深度带来一致增益（表 3）。\n- **前置知识**：深度传感原理、相机内参。\n\n#### 4. SMPL（Skinned Multi-Person Linear Model）\n\n- **定义**：参数化人体网格模型；本文采用其 22 关节骨架（去除双手掌关节），每关节以相对父关节的旋转表示。\n- **直觉**：图形学通用的“人体骨架 + 蒙皮”标准格式，预测它即可直接驱动化身。\n- **论文中的作用**：统一输出表示（3.2 节）；KPO 的结构保持项基于其运动学树（3.4.2 节）。\n- **前置知识**：运动学树、蒙皮动画。\n\n#### 5. 6D Rotation Representation（6D 旋转表示）\n\n- **定义**：以旋转矩阵前两列共 6 维连续量表示三维旋转，避免四元数/欧拉角的不连续性。\n- **直觉**：让网络回归旋转时相邻输出对应相近旋转，训练更稳定。\n- **论文中的作用**：HMD 输入方向 θ ∈ R^6（3.2 节）与输出关节旋转解码（3.3.3 节 T_g/T_l 分支）。\n- **前置知识**：旋转矩阵、四元数。\n\n#### 6. Forward Kinematics, FK（正向运动学）\n\n- **定义**：已知各关节相对父关节旋转与骨长，从根关节逐级推算全身关节 3D 位置。\n- **直觉**：从骨盆出发沿骨架一路“摆姿势”，画出所有关节点。\n- **论文中的作用**：式 (5) 中将预测旋转转为关节位置 P_t；数据集 pelvis→head 坐标变换（第 4 节）。\n- **前置知识**：旋转复合、骨骼层级。\n\n#### 7. Inverse Kinematics, IK（逆向运动学）\n\n- **定义**：由末端目标位置反推关节旋转的优化问题；头手约束下严重欠约束。\n- **直觉**：知道手要放哪，但肘肩有无数种摆法，需先验才能确定。\n- **论文中的作用**：3.4 节指出纯 IK 产生歧义下肢姿态，是引入 KPO 的动机之一。\n- **前置知识**：数值优化、约束满足。\n\n#### 8. Dual-Stream Architecture（双流架构）\n\n- **定义**：HMD 运动流与 RGB-D 视觉流分别经独立参数的时空编码器编码，再在共享潜空间融合的结构。\n- **直觉**：两种数据形状完全不同（72 维向量 vs 图像），先各自消化再融合。\n- **论文中的作用**：整体框架（3.1 节、Fig. 2）；两流编码器结构相同但参数独立（3.3.2 节末）。\n- **前置知识**：多模态学习、双流网络。\n\n#### 9. Spatiotemporal Encoder（时空编码器）\n\n- **定义**：由线性嵌入、帧级 Transformer T_f、MLP 汇聚与关节级 Transformer T_j 级联构成的编码器（式 (3)(4)）。\n- **直觉**：先看一段时间里身体怎么动（时间维），再看同一时刻关节间怎么配合（空间维）。\n- **论文中的作用**：两流共用核心模块；消融显示移除后 MPJRE 从 7.61 恶化至 14.29（表 3）。\n- **前置知识**：Transformer 自注意力、序列建模。\n\n#### 10. Frame-wise Transformer（帧级 Transformer，T_f）\n\n- **定义**：在时间窗口 T 帧特征序列上做自注意力，捕获长程时间依赖。\n- **直觉**：让当前帧回看整个窗口的历史运动趋势。\n- **论文中的作用**：式 (3) 第一级编码；缓解逐帧建模导致的时序不稳（3.3.1 节）。\n- **前置知识**：自注意力、时间窗口。\n\n#### 11. Joint-wise Transformer（关节级 Transformer，T_j）\n\n- **定义**：在 J 个关节特征上做自注意力，建模关节间运动学约束。\n- **直觉**：让每个关节知道邻居关节在做什么，避免解剖学上不可能的姿势。\n- **论文中的作用**：式 (3) 第二级编码，生成 R^{J×S} 关节特征（3.3.1 节）。\n- **前置知识**：集合/图上的注意力、人体运动学。\n\n#### 12. Learnable Joint Embedding（可学习关节嵌入 e_j）\n\n- **定义**：为每个关节添加的可学习身份向量，帮助网络区分运动模式相似的关节。\n- **直觉**：给每个关节发一张身份证，左膝与右膝不再混淆。\n- **论文中的作用**：式 (3) 中加于 MLP 输出之后（3.3.1 节）。\n- **前置知识**：嵌入向量、位置编码。\n\n#### 13. Cross-Attention Fusion（交叉注意力融合）\n\n- **定义**：以 HMD 特征 M_t 为 Query、RGB-D 特征 N_t 为 Key/Value 的多头注意力，使运动特征选择性吸收视觉线索。\n- **直觉**：运动流提问（下半身在哪），视觉流回答（膝盖在这里）。\n- **论文中的作用**：3.3.3 节核心融合机制；消融中替换为简单拼接仅轻微掉点（表 3），说明编码器已承担大部分工作。\n- **前置知识**：Transformer 注意力、Query-Key-Value 机制。\n\n#### 14. Heatmap Encoder（热图编码器，ResNet + FPN）\n\n- **定义**：卷积骨干预测每关节 2D 热图，结合深度得到 3D 关键点序列 Z ∈ R^{T×J×3}。\n- **直觉**：在图像上点亮每个关节可能出现的位置，深度图告知其离相机多远。\n- **论文中的作用**：RGB-D 流前端（3.3.2 节）；将时序推理复杂度从图像级 O(T·C·H·W) 降至关节级 O(T·J)。\n- **前置知识**：CNN、特征金字塔、关键点检测。\n\n#### 15. Visibility Probability（可见性概率 ζ）\n\n- **定义**：预测每关节在当前视野内可见概率的序列 ζ ∈ R^{T×J}，经平滑后以 ReLU(ζ̃−0.5) 生成掩码 η 过滤热图假阳性。\n- **直觉**：看不见的关节不该硬猜热图峰值——先判断看不看得到，再决定信不信。\n- **论文中的作用**：Alg. 1 与 3.3.2 节；Fig. 7 显示加入 ζ 后热图噪声被显著抑制。\n- **前置知识**：二分类概率、掩码操作。\n\n#### 16. One Euro Filter（One Euro 滤波器 F）\n\n- **定义**：自适应低通滤波器，低速时强平滑、高速时低延迟；用于平滑可见性概率与输出关节位置轨迹。\n- **直觉**：静止时稳、快速运动时跟手不拖沓。\n- **论文中的作用**：Alg. 1 中平滑 ζ；式 (5) 中平滑 FK 输出 P_t 以抑制高频抖动。\n- **前置知识**：信号滤波、低通滤波。\n\n#### 17. Incremental Feature Update（增量特征更新）\n\n- **定义**：滑动窗口推理时仅对新入帧提取特征并与缓存旧特征融合的加速策略（Alg. 1 第 7–16 行）。\n- **直觉**：窗口每滑一格只算新来的帧，不必重算整段序列。\n- **论文中的作用**：3.3.2 节实时性保障之一；支撑最终系统 97 FPS（表 2 Row E）。\n- **前置知识**：滑动窗口、缓存机制。\n\n#### 18. Kinematic Pose Optimization, KPO（运动学姿态优化）\n\n- **定义**：基于能量函数的测试时骨架优化模块，在保持骨骼结构前提下使姿态与 HMD 观测一致（3.4 节）。\n- **直觉**：网络输出后再校一遍——头和手必须贴回传感器读数，骨头不能被拉长。\n- **论文中的作用**：式 (6)(7)；消融显示加入 KPO 使 MPJPE 从 3.95 降至 2.92（表 3），代价为 FPS 从 154 降至 97。\n- **前置知识**：数值优化、能量最小化。\n\n#### 19. Head and Hands Alignment Term（头手对齐能量项 E_A）\n\n- **定义**：对可观测关节（头、左手、右手）惩罚优化位置 p_k 与传感器观测 q_k 的偏差，对其余关节施加向初始预测回归的正则（式 (6)）。\n- **直觉**：看得见的关节听传感器的话，看不见的关节别乱动。\n- **论文中的作用**：3.4.1 节；权重 λ_a、λ_s 平衡对齐与正则。\n- **前置知识**：加权最小二乘、正则化。\n\n#### 20. Skeletal Structure Preservation Term（骨骼结构保持能量项 E_S）\n\n- **定义**：惩罚相邻关节间骨长与骨方向相对初始预测的偏差（式 (7)）；M(i) 为 SMPL 运动学树中与关节 i 直连的关节集合。\n- **直觉**：优化时骨架不能被拉面——骨长与指向都要守住。\n- **论文中的作用**：3.4.2 节；Fig. 3 展示 E_A+E_S 相比仅 E_A 的结构改善。\n- **前置知识**：骨骼向量、运动学树。\n\n#### 21. MPJPE / PA-MPJPE / MPJRE（平均关节位置/旋转误差）\n\n- **定义**：MPJPE 为关节位置平均欧氏误差；PA-MPJPE 为经 Procrustes 刚体对齐后的 MPJPE；MPJRE 为关节旋转平均角度误差。\n- **直觉**：分别衡量位置准不准、去掉全局对齐后形状准不准、转角对不对。\n- **论文中的作用**：6.1 节定义的主要指标，表 2、表 3 的定量依据。\n- **前置知识**：欧氏距离、Procrustes 分析、旋转角误差。\n\n#### 22. AMASS / BABEL（动作捕捉数据集）\n\n- **定义**：AMASS 为统一参数化的大规模动作捕捉档案；BABEL 提供类别级动作文本标注。\n- **直觉**：现成的真人动作库，按标签挑选动作驱动合成角色。\n- **论文中的作用**：第 4 节数据集构建中筛选 2,350 条动作序列作为运动来源。\n- **前置知识**：动作捕捉、SMPL 参数化。\n\n#### 23. Synthetic Dataset EgoPoseVR（合成数据集）\n\n- **定义**：本文构建的 1.8M 帧、18,235 序列合成数据集，含时序对齐的 HMD 轨迹、RGB-D 图像、2D/3D 关节与逐关节可见性标注（第 4 节、表 1）。\n- **直觉**：在虚拟世界自导自演——动作来自真人捕捉，画面由引擎渲染，标注天然精确。\n- **论文中的作用**：训练与评测基准；表 1 显示其唯一同时具备深度、旋转标注、时序连续性与显式 HMD 适配性。\n- **前置知识**：渲染管线、HDR 环境贴图。\n\n#### 24. Sim-to-Real Gap（仿真-现实差距）\n\n- **定义**：合成训练数据与真实传感器数据的分布差异，导致模型在真实场景性能下降。\n- **直觉**：游戏画面里练出的眼力，到真实世界可能水土不服。\n- **论文中的作用**：第 7 节列为局限之二；通过可见性建模与 KPO 缓解（3.3.2、3.4 节）。\n- **前置知识**：域偏移、域适应。\n\n#### 25. Temporal Continuity / Stability（时序连续性/稳定性）\n\n- **定义**：相邻帧预测在时间上平滑一致、无抖动跳变的性质。\n- **直觉**：化身不能抽搐——上一帧腿在这、下一帧飞到别处会立刻穿帮。\n- **论文中的作用**：核心设计动机（第 1、2.2 节）；由时空编码器、One Euro 滤波与 KPO 共同保障；用户研究 Q4 验证（6.5 节）。\n- **前置知识**：时序信号平滑。\n\n#### 26. Motion Blur（运动模糊）\n\n- **定义**：头部快速运动导致的自我中心图像模糊，破坏视觉特征提取。\n- **直觉**：头一甩画面糊成一片，关节检测自然失灵。\n- **论文中的作用**：第 1 节挑战之一；Fig. 4 标注模糊区域；可见性模块与深度输入部分缓解（6.4 节）。\n- **前置知识**：相机成像、曝光。\n\n#### 27. 6DoF（Six Degrees of Freedom，六自由度）\n\n- **定义**：刚体在三维空间中的 3 平移 + 3 旋转自由度，完整描述头显/手柄位姿。\n- **直觉**：既能转又能挪，完整刻画空间姿态。\n- **论文中的作用**：2.3 节指出数据集需含关节旋转标注才能模拟 6DoF 头显/手柄信号。\n- **前置知识**：刚体变换、位姿表示。\n\n#### 28. IMU（Inertial Measurement Unit，惯性测量单元）\n\n- **定义**：测量加速度与角速度的穿戴传感器，常用于下肢捕捉，但需精确校准且存在漂移。\n- **直觉**：贴在腿上的小陀螺仪，不怕遮挡但会越走越偏。\n- **论文中的作用**：第 1、2.1 节相关工作中作为附加传感方案讨论，其可用性负担是本文无穿戴方案的对照动机。\n- **前置知识**：惯性导航、传感器漂移。\n\n#### 29. Cross-Device WebSocket Pipeline（跨设备 WebSocket 传输管线）\n\n- **定义**：由输入客户端（HMD+相机）、推理服务器与渲染客户端组成的持久 WebSocket 双向通信架构（第 5 节、Fig. 5）。\n- **直觉**：把感知、计算、显示拆到三台设备，用一条常连的实时数据通道串联。\n- **论文中的作用**：支撑实时推理与用户研究部署（6.5 节）；服务器可同时托管多模型灵活切换。\n- **前置知识**：WebSocket 协议、客户端-服务器架构。\n\n#### 30. Embodiment（具身感）\n\n- **定义**：用户感到虚拟化身是自身身体自然延伸的主观体验。\n- **直觉**：看着化身动，感觉这就是我的身体。\n- **论文中的作用**：用户研究 Q5（表 4）；结果显示 EgoPoseVR 显著提升具身感（6.5 节）。\n- **前置知识**：VR 存在感、具身认知问卷。\n\n#### 31. Friedman Test / Wilcoxon Signed-Rank Test（弗里德曼检验/威尔科克森符号秩检验）\n\n- **定义**：针对序数数据（如 Likert 量表）的非参数检验；前者比较多组整体差异，后者做配对事后比较（Holm–Bonferroni 校正）。\n- **直觉**：评分非正态分布时，用排名而非均值比高低。\n- **论文中的作用**：6.5 节用户研究统计分析；所有条目 p<0.001，验证 EgoPoseVR 主观优势。\n- **前置知识**：非参数统计、多重比较校正。\n\n#### 32. HMD-Only Ambiguity（仅头显输入的下半身歧义）\n\n- **定义**：仅凭头与双手 6 个追踪点无法唯一确定下肢姿态——同一上肢动作对应多种合理下肢构型。\n- **直觉**：只看到上半身打拍子，猜不出脚下是走、跳还是蹲。\n- **论文中的作用**：第 1 节核心动机；基线 EgoPoser 下肢误差显著高于上肢（表 2 Row A）。\n- **前置知识**：欠约束逆问题。\n\n### 二、概念依赖图（文字版）\n\n``n任务层\n└── Egocentric Full-Body Pose Estimation（核心任务）\n    ├── 输入模态 1：HMD 运动信号（x_t ∈ R^72，式(1)）\n    ├── 输入模态 2：RGB-D 下视观测（y_t）\n    └── 输出表示：SMPL 22 关节 × 6D 旋转（R^132/帧）\n\n表示层\n├── SMPL ──提供──> 运动学树 ──支撑──> FK / KPO 结构项 E_S\n├── 6D Rotation ──> 输入方向编码 + 输出旋转解码（T_g/T_l）\n└── 6DoF ──> HMD/手柄位姿描述（依赖数据集旋转标注，2.3 节）\n\n方法层（EgoPoseVR 双流框架，Fig. 2）\n├── Dual-Stream Architecture\n│ ├── HMD 流\n│ │ └── Spatiotemporal Encoder\n│ │ ├── Frame-wise Transformer（时间维）\n│ │ ├── Joint-wise Transformer（空间维）\n│ │ └── Learnable Joint Embedding e_j\n│ ├── RGB-D 流\n│ │ ├── Heatmap Encoder（ResNet+FPN）──> 3D 关键点 Z\n│ │ ├── Visibility Probability ζ ──掩码 η──> 过滤假阳性（Alg. 1）\n│ │ │ └── 依赖：One Euro Filter（平滑 ζ）\n│ │ ├── Incremental Feature Update（实时加速）\n│ │ └── 同构 Spatiotemporal Encoder（式(4)）\n│ └── Cross-Attention Fusion（M 为 Q，N 为 K/V）\n│ └── 解码：T_g（骨盆）/ T_l（局部）──> FK ──> One Euro Filter ──> P_t（式(5)）\n└── KPO（测试时优化，3.4 节）\n    ├── 动机：HMD-Only Ambiguity + IK 欠约束\n    ├── E_A 头手对齐项（依赖 HMD 观测 q_k）\n    └── E_S 结构保持项（依赖 SMPL 运动学树）\n\n数据层\n├── AMASS + BABEL ──动作来源──> Synthetic Dataset EgoPoseVR\n│ ├── 8 室内场景 + 100 HDR + 100 服装（外观多样性）\n│ └── 关键属性：时序连续、旋转标注、深度、可见性标签（表 1）\n└── Sim-to-Real Gap ──缓解──> 可见性建模 + KPO（第 7 节）\n\n系统层\n└── Cross-Device WebSocket Pipeline（Fig. 5）\n    ├── 输入客户端（HMD + RGB-D，USB Type-C）\n    ├── 推理服务器（多模型热切换）\n    └── 渲染客户端（UE/Unity 第三人称）──支撑──> 用户研究（6.5 节）\n\n评测层\n├── 定量：MPJPE / PA-MPJPE / MPJRE / FPS（表 2、表 3）\n└── 主观：Embodiment + Likert 问卷（表 4）\n    └── 统计：Friedman / Wilcoxon + Holm–Bonferroni（6.5 节）\n\n挑战线索\n├── Motion Blur / 视野外丢失 ──> Visibility Probability；残余失效见 Fig. 10（第 7 节局限）\n└── Temporal Continuity ──> 时空编码器 + One Euro Filter + KPO 三重保障\n``n\n**依赖逻辑说明**：任务层由表示层提供语言（SMPL/6D/FK）；方法层的双流架构分别消化两种异构模态，其编码质量决定融合上限（消融表 3 中移除时空编码器损失最大）；KPO 作为测试时兜底，依赖 HMD 观测与 SMPL 结构先验；数据层的时序连续与旋转标注是训练时空编码器并模拟 6DoF 信号的前提（2.3 节）；系统层将方法层落地为实时部署并支撑主观评测；挑战线索贯穿各层，解释各模块的设计动机。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## Module G：验证、冲突与参考文献核查\n\n### 1. 关键事实性主张核查（每条主张给出至少两个论文内定位）\n\n### 主张1：EgoPoseVR 是融合 HMD 运动与下视 RGB-D 观测的双流时空框架\n\n- 定位A：摘要（“integrates headset motion cues with egocentric RGB-D observations through a dual-modality fusion pipeline”）。\n- 定位B：Sec. 3.1 Overview 与 Fig. 2（双流时空编码 + cross-attention 融合 + 运动学优化 KPO）。\n- 定位C：Sec. 3.3.3（CrossAttn(M_t, N_t)，HMD 特征为 query、RGB-D 特征为 key/value）与 Sec. 3.4（式 (5)(6) 能量函数）。\n- 核查结论：三处一致，主张成立。\n\n### 主张2：输出为 SMPL 参数化 22 关节、6D 旋转，每帧维度 R^132\n\n- 定位A：Sec. 3.2（“output of dimension R^132 per frame, corresponding to 22 joints ... 6D rotation”）。\n- 定位B：Sec. 3.3.3（6D 旋转经 FK 层与 one Euro filter 得到 P_t ∈ R^(22×3)，式 (4)）。\n- 核查结论：一致。\n\n## 主张3：数据集规模为 1.8M 帧、18,235 条序列、320×256@60FPS\n\n- 定位A：摘要（“over 1.8 million temporally aligned HMD and RGB-D frames”）。\n- 定位B：Sec. 4（“18,235 motion sequences and 1.8 million frames rendered at 320×256 resolution and 60 FPS”）。\n- 定位C：Table 1（EgoPoseVR 列：Dataset Size = 1.8M；Temporal Continuity = ✓；Depth Availability = ✓）。\n- 核查结论：一致。\n\n## 主张4：数据集构成（2,350 条 AMASS 序列经 BABEL 类别标注筛选、8 个室内 3D 场景、100 张 HDR 全景、100 套服装、20 套鞋类、逐关节可见性标签、双坐标系输出）\n\n- 定位A：Sec. 4 五项设计目标逐条列出。\n- 定位B：Table 1（Environment: In-&Outdoor；Joint Rotation: ✓；HMD Adaptability: ✓ Explicit）。\n- 核查结论：一致；服装/鞋类数量仅 Sec. 4 给出，Table 1 未列，无冲突。\n\n## 主张5：实时性能 97 FPS\n\n- 定位A：摘要（“maintaining real-time performance at 97 FPS”）。\n- 定位B：Table 2 Row E（FPS 97±6）。\n- 定位C：Table 3 “+KPO (Full System)” 行（97±6）及 Sec. 6.3 文字（“the final system still achieves 97 FPS”）。\n- 核查结论：一致。\n\n## 主张6：完整系统定量精度（MPJPE-U 1.66±1.05 cm；MPJPE-L 4.75±4.35 cm；PA-MPJPE-U 2.05±1.53；PA-MPJPE-L 3.63±3.31；MPJRE-U 8.21±3.96°；MPJRE-L 6.74±3.94°）\n\n- 定位A：Table 2 Row E。\n- 定位B：Sec. 6.2.1（“delivers the highest accuracy, particularly in upper-body estimation (e.g., MPJPE-U)”）。\n- 核查结论：一致。\n\n## 主张7：相对 SOTA（EgoPoser、EgoPoser+EgoPoseFormer）的性能提升\n\n- 定位A：Table 2 Rows A–E 数值梯度（如 MPJPE-U：Row A 5.61 → Row B 4.92 → Row C 3.60 → Row D 3.57 → Row E 1.66）。\n- 定位B：Sec. 6.2.1 逐行分析（Row B 视觉引入改善下肢；Row C 所提 HMD 编码器使 MPJRE-U 由 15.39 降至 8.59；Row D FPS 由 29 升至 155）。\n- 定位C：Fig. 6 定性对比（Rows A–E 在跳跃/行走/弯腰/踢腿场景的可视化）。\n- 核查结论：一致。\n\n## 主张8：EgoPoseFormer 不能作为独立 baseline 的原因（仅预测关节位置、依赖 GT pelvis-to-camera 变换）\n\n- 定位A：Sec. 6.2（“predicts only joint positions rather than rotations ... depends on ground-truth pelvis-to-camera transformations during training”）。\n- 定位B：Sec. 2.2（“coarse-to-fine designs incur high inference latency and rely heavily on pelvis-to-camera constraints”）。\n- 核查结论：论文内部一致；属作者声明，最终需对照 EgoPoseFormer 原文 [^62] 核实。\n\n## 主张9：用户研究设置（20 名被试、11 男 9 女、平均 24.9 岁、SD 3.73、IRB 批准、UE 中三方法同步渲染对比）\n\n- 定位A：Sec. 6.5 正文（被试构成、知情同意、盲评安排）。\n- 定位B：Fig. 9（n=20 箱线图）与 Table 4（Q1–Q6 五点 Likert 问卷）。\n- 核查结论：一致。\n\n## 主张10：统计结果（Friedman 全项显著；Q1 χ²(2)=21.794, W=0.545；Q2 χ²(2)=35.368, W=0.884；Q3 χ²(2)=31.886, W=0.797；Q4 χ²(2)=25.323, W=0.633；Q5 χ²(2)=31.521, W=0.788；Q6 χ²(2)=34.274, W=0.857；EgoPoseVR 事后检验显著优于 EP 与 EP+EF）\n\n- 定位A：Sec. 6.5 各段 χ²/Kendall's W/p 数值。\n- 定位B：Fig. 9 显著性标注（***、**、n.s.）。\n- 核查结论：一致；详细统计称在补充材料，当前无法二次核验。\n\n## 主张11：可见性感知时序细化（可见性概率 ζ、one Euro filter 平滑、增量特征更新）\n\n- 定位A：Sec. 3.3.2 与 Alg. 1（ReLU(ζ̃−0.5) 掩码、缓存融合增量帧）。\n- 定位B：Sec. 6.4 与 Fig. 7（无 ζ 时热图噪声明显，加入 ζ 后噪声被抑制、分布更锐利）。\n- 核查结论：一致。\n\n**主张12：KPO 能量优化（对齐项 E_A 式 (5)、结构保持项 E_S 式 (6)；KPO 主要改善位置一致性、保持旋转预测）**\n\n- 定位A：Sec. 3.4.1/3.4.2 与 Fig. 3（E_A only 与 E_A+E_S 的对比可视化）。\n- 定位B：Table 3（+KPO 行：MPJPE 3.95→2.92，MPJRE 保持 7.61 不变）。\n- 核查结论：一致，且与“KPO 仅优化关节位置”的设计描述吻合。\n\n## 主张13：跨设备实时管线（持久 WebSocket；输入客户端 / 推理服务器 / 渲染客户端三组件）\n\n- 定位A：Sec. 5 正文（USB Type-C 连接、缓冲队列、双向通信）。\n- 定位B：Fig. 5 系统架构图。\n- 核查结论：一致。\n\n## 主张14：训练配置（RTX 3090、AdamW lr=5.0e-4、batch=32、90%/10% 划分、基于 AMASS 的合成数据训练）\n\n- 定位A：Sec. 6.1。\n- 定位B：Sec. 4（数据源自 AMASS+BABEL）与 Sec. 6.5（“All compared models were trained using the proposed dataset”）。\n- 核查结论：一致。\n\n## 主张15：局限性（视野丢失/严重遮挡时跨模态收益下降；sim-to-real gap；SMPL 缺乏生物力学约束）\n\n- 定位A：Sec. 7 三条局限逐条陈述。\n- 定位B：Fig. 10 失效案例；Sec. 3.3.2 可见性建模与 Sec. 3.4 运动学对齐作为部分缓解手段。\n- 核查结论：一致。\n\n### 2. 冲突与不确定性说明\n\n1. **发表载体与日期缺失（高不确定性）**：文档未标注期刊/会议与年份。间接证据：IEEE 双栏排版与 Index Terms；参考文献含 2025 年条目（[^1] arXiv:2503.11652、[^25] arXiv:2504.04956、[^18] WACV 2025、[^13] AAAI 2025），提示为 2025 年前后的 IEEE 系列稿件（可能 TVCG / IEEE VR 相关）。需以正式出版版本核实。\n2. **作者单位缺失**：仅 Sec. 6.5 提及“IRB of our university”；通讯作者 Eng Tat Khoo 与 [^32]（CHI 2024 医学教育 VR 研究）的合作记录提示新加坡高校背景，但文档未明示，不作断言。\n3. **术语笔误**：Sec. 5 出现“EgoMotionVR model”，与全文“EgoPoseVR”不一致，疑为笔误。\n4. **系统与数据集同名**：EgoPoseVR 同时命名框架（Sec. 3）与数据集（Sec. 4），阅读与引用时需依上下文区分。\n5. **Table 2 与 Table 3 口径差异**：Table 2 分上/下半身报告（Row E：MPJPE-U 1.66、MPJPE-L 4.75），Table 3 为全身平均（Full System MPJPE 2.92），数值介于两者之间、逻辑自洽，但两表不可直接互比。Table 3 中“+KPO”行 MPJRE 与上一行完全相同（7.61±3.51），与 KPO 仅优化位置的设计一致，但作者未显式说明该不变性。\n6. **补充材料缺失**：Sec. 4（数据集实现细节）、Sec. 6.1（完整损失形式与权重策略）、Sec. 6.3（补充消融）、Sec. 6.5（详细统计）均指向 supplementary material，当前输入不含，相关主张只能依据正文，无法二次核验。\n7. **代码与数据集链接缺失**：文档未提供仓库或下载入口，“首个大规模 VR 自我中心全身姿态合成数据集”的规模、质量与可复现性无法独立验证。\n8. **baseline 排除理由为作者声明**：EgoPoseFormer 仅输出位置、依赖 GT pelvis-to-camera 变换的说法需对照其原文 [^62] 核实；若原文支持旋转输出或推理时无需 GT 变换，则对比设置需重新审视。\n9. **FPS 横向比较的解释空间**：所有模型在 RTX 3090 上评测（Sec. 6.1），但 Row B/C（29 FPS）基于 EgoPoseFormer 原实现，其是否针对该环境优化未说明；FPS 差异部分可能来自实现而非方法本质。\n10. **真实场景无定量评估**：真实世界验证仅为主观用户研究（Sec. 6.5），无真实 GT 姿态误差；sim-to-real 定量差距未测量，作者亦在 Sec. 7 承认该缺口并计划采集真实同步数据。\n11. **用户研究外部效度**：n=20、单一大学群体、问卷为标准化具身量表（[^4][^15]）的改编子集而非完整量表（Sec. 6.5 自述），结论泛化需谨慎。\n12. **参考文献排版异常**：文末 [^16]（EgoSim）列于 [^17]（DIP）之后，编号顺序与正文引用顺序不完全一致，属排版问题，不影响内容核查。\n13. **数据集对比表的自证性质**：Table 1 由作者构建，对 EgoPoseVR 各项能力（时序连续、深度、显式 HMD 适配）的“全 ✓”描述无法从本文独立验证，需待数据发布后核实。\n\n### 3. 参考文献列表（本次核查依赖的关键文献）\n\n格式：编号 | 作者 | 标题/简称 | 载体 | 年份\n\n- [^2] Akada et al. | UnrealEgo | ECCV | 2022\n- [^3] Azam & Desai | 3D egocentric pose survey | CVPR | 2024\n- [^4] Borrego et al. | Embodiment and presence in VR after stroke | Frontiers in Neurology | 2019\n- [^7] Cuevas-Velasquez et al. | SimpleEgo | 3DV | 2024\n- [^8] Dai et al. | HMD-Poser | CVPR | 2024\n- [^11] Du et al. | AGRoL | CVPR | 2023\n- [^13] Fan et al. | EMHI | AAAI | 2025\n- [^15] Gonzalez-Franco & Peck | Avatar embodiment standardized questionnaire | Frontiers in Robotics and AI | 2018\n- [^16] Hollidt et al. | EgoSim | NeurIPS | 2024\n- [^17] Huang et al. | DIP | ACM TOG | 2018\n- [^19] Jiang et al. | EgoPoser | ECCV | 2024\n- [^20] Jiang et al. | AvatarPoser | ECCV | 2022\n- [^21] Kang et al. | Ego3DPose | SIGGRAPH Asia | 2023\n- [^25] Lee et al. | REWIND | arXiv:2504.04956 | 2025\n- [^27] Lee et al. | QuestEnvSim | SIGGRAPH | 2023\n- [^28] Li et al. | EgoEgo（ARES 数据集） | CVPR | 2023\n- [^31] Lin et al. | Feature Pyramid Networks | CVPR | 2017\n- [^33] Loper et al. | SMPL | Seminal Graphics Papers（原 2015） | 2023\n- [^35] Ma et al. | Nymeria | ECCV | 2024\n- [^36] Mahmood et al. | AMASS | ICCV | 2019\n- [^40] Punnakkal et al. | BABEL | CVPR | 2021\n- [^51] Tome et al. | xR-EgoPose | ICCV | 2019\n- [^54] Vaswani et al. | Attention Is All You Need | NeurIPS | 2017\n- [^60] Winkler et al. | QuestSim | SIGGRAPH Asia | 2022\n- [^61] Xu et al. | Mo2Cap2 | IEEE TVCG | 2019\n- [^62] Yang et al. | EgoPoseFormer | ECCV | 2024\n- [^63] Yi et al. | PIP | CVPR | 2022\n- [^64] Yi, Zhou & Xu | TransPose | ACM TOG | 2021\n- [^66] Zhao et al. | EgoGlass | 3DV | 2021\n- [^68] Zheng et al. | AvatarJLM | ICCV | 2023\n\n**核查优先级建议**：① 获取正式出版信息（期刊/会议、年份、DOI）与作者单位；② 核对 EgoPoseFormer 原文 [^62] 以验证 baseline 排除理由；③ 待代码/数据集发布后复现 Table 2/3 数值；④ 获取补充材料核验损失权重、网络超参与详细统计结果。\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## Module H：图表提取与索引\n\n### 1. 图表完整索引\n\n#### 1.1 表格索引（评分：1–5，5 为最关键）\n\n| 编号 | 标题（Caption） | 类型 | 位置 | 支撑结论 | 评分 |\n|---|---|---|---|---|---|\n| Table 1 | Comparison of representative datasets for egocentric full-body human pose estimation | 数据集特性对比矩阵 | 第 2.2–2.3 节（第 3 页） | 现有数据集（Mo2Cap2、xR-EgoPose、UnrealEgo、EgoGlass 等）普遍缺乏时序连续性、关节旋转标注与深度信息；EgoPoseVR 数据集（1.8M 帧）是唯一同时具备 Depth Availability、Joint Rotation、Temporal Continuity 与显式 HMD Adaptability 的数据集，论证构建新数据集的必要性 | 4 |\n| Table 2 | Quantitative results of module-level comparison with state-of-the-art methods on our synthetic dataset（行颜色表示相对上一行的改进幅度：黄 <10%、浅绿 10–20%、深绿 >20%） | 主实验定量对比表 | 第 6.2.1 节（第 7 页） | 完整系统（Row E）MPJPE-U 1.66±1.05 cm、MPJPE-L 4.75±4.35 cm、MPJRE-U 8.21±3.96°、FPS 97±6，全面优于 EgoPoser（Row A）与 EgoPoser+EgoPoseFormer（Row B）；Row B→C→D→E 的受控模块替换分离了 HMD 编码器、RGB 编码器、深度输入与 KPO 的各自贡献 | 5 |\n| Table 3 | Ablation study of input modalities and model components（(S) 单帧 RGB；(M) 多帧 RGB；行颜色含义同 Table 2） | 消融实验表 | 第 6.3 节（第 7 页） | 输入模态递进（HMD Only→+RGB(S)→+RGB(M)→+RGB-D(M)→+KPO）使 MPJPE 从 6.26 降至 2.92 cm；移除 Spatiotemporal Encoder 使 MPJRE 恶化至 14.29±5.07°，证明时空编码器为核心组件；移除 Cross-Modal Fusion 仅轻微下降（4.08 cm），说明模态特征在上游已被充分编码 | 5 |\n| Table 4 | Post-session questionnaire used for the subjective evaluation of different methods | 问卷设计表（6 项 5 点 Likert 量表） | 第 6.5 节（第 8 页） | 定义用户研究四个评估维度：追踪精度（Q1–Q2）、响应与稳定性（Q3–Q4）、具身感（Q5）、未来使用意愿（Q6），为 Fig. 9 的统计分析提供测量工具 | 3 |\n\n#### 1.2 插图索引\n\n| 编号 | 标题（Caption 摘要） | 类型 | 位置 | 支撑结论 | 评分 |\n|---|---|---|---|---|---|\n| Fig. 1 | 集成 VR 头显、双手柄与头显下视 RGB-D 相机的自我中心全身姿态估计配置 | 硬件配置/场景图（teaser） | 第 1 页（摘要处） | 展示系统硬件形态，支撑“无需额外穿戴传感器或房间级追踪即可实现上/下肢实时精确追踪”的可部署性主张 | 3 |\n| Fig. 2 | EgoPoseVR 框架工作流：HMD 运动与下视 RGB-D 输入经时空模块联合编码预测全身姿态，能量函数运动学优化保证结构一致渲染 | 方法框架总览图 | 第 1 节末/第 3.1 节 | 呈现双流时空编码→cross-attention 融合→KPO 优化的完整管线，是理解方法的入口图 | 5 |\n| Fig. 3 | 不同 KPO 设置下的姿态细化结果：(a) Original、(b) 仅 E_A、(c) E_A+E_S；半透明网格为真值，预测网格按误差着色 | 定性消融可视化 | 第 3.4 节 | 展示对齐能量项 E_A 与结构保持能量项 E_S 的逐级作用：仅 E_A 可对齐头手但可能破坏下肢结构，E_A+E_S 恢复骨骼一致性 | 3 |\n| Fig. 4 | 数据集样例：第三人称与自我中心 RGB-D 视角，绿点为 2D 关节投影，粉色虚线框标记运动模糊区域 | 数据集样例图 | 第 4 节 | 佐证数据集标注质量、视觉真实感与运动模糊等挑战的真实存在 | 3 |\n| Fig. 5 | 跨设备数据传输系统架构，支持实时 SMPL 姿态估计与可视化 | 系统架构图 | 第 5 节 | 展示 input client（HMD+RGB-D 经 USB Type-C 连接）、inference server（持久 WebSocket、缓冲队列、多模型热切换）、rendering client（Unity/UE 第三人称渲染）三组件实时管线，支撑 97 FPS 实时部署主张 | 4 |\n| Fig. 6 | 模块级对比定性结果：(a) Leaping、(b) Walking、(c) Bending、(d) Kicking；最左蓝色化身 为真值，其余五个化身对应 Table 2 Row A–E | 定性对比图 | 第 6.2.2 节 | 可视化验证：EgoPoser 在无明显摆臂时下肢预测不可靠（6(b)）；基于 EgoPoseFormer 的方法依赖骨盆图像位置，大幅头部运动（6(a)–(d)）时失效；本文 RGB 模块不依赖骨盆定位，深度+KPO 进一步提升精度与鲁棒性 | 4 |\n| Fig. 7 | 视觉输入模态与可见性概率因子 ζ 对热图质量及 3D 姿态估计的影响，经 2D 重投影评估 | 消融可视化（热图+重投影） | 第 6.4 节 | 无 ζ 时视野外关节热图产生大量噪声与伪影；引入 ζ 有效抑制噪声并锐化分布；RGB-D 相比 RGB 提供更准确的 3D 关节定位，支撑可见性感知模块（第 3.3.2 节）的设计 | 4 |\n| Fig. 8 | 真实场景对比：(a) High-Knee、(b) Squat、(c) Sitting；从左至右化身分别由 EgoPoser、EgoPoser+EgoPoseFormer、EgoPoseVR 生成，前景为真实用户、背景为实时虚拟化身 | 真实场景定性对比图 | 第 6.5 节 | 真实 VR 环境中 EgoPoseVR 在高抬腿、深蹲等大关节角动作下显著更准确，支撑 sim-to-real 泛化能力主张 | 4 |\n| Fig. 9 | 用户研究统计分析：箱线图（IQR+中位数+离群点），(n.s.) 无显著性、(*) p≤0.05、(**) p≤0.01、(***) p≤0.001 | 统计箱线图 | 第 6.5 节 | 20 名被试、6 项指标 Friedman 检验全部显著（p<0.001）；EgoPoseVR 在 Q1–Q6 全面显著优于 EP 与 EP+EF（多数 p<0.001），支撑主观精度、稳定性、具身感与使用意愿优势 | 5 |\n| Fig. 10 | 自我中心视野部分或完全丢失下的失效案例；蓝色化身 为真值，右侧为带误差着色的预测 | 失效案例图 | 第 7 节 | 展示身体移出视野或严重遮挡时跨模态融合收益消失的失效模式，支撑局限性讨论与未来工作（时序先验/生成模型）方向 | 3 |\n\n#### 1.3 算法索引\n\n| 编号 | 名称 | 类型 | 位置 | 支撑结论 |\n|---|---|---|---|---|\n| Alg. 1 | Temporal refinement of 3D joint estimates（输入 Y, Z, T, J, ζ；输出细化后 3D 关键点序列 Z̃） | 伪代码 | 第 3.3.2 节 | 可见性感知时序细化：One Euro filter F 平滑 ζ、掩码 ReLU(ζ−0.5) 过滤视野外关节的虚假热图峰值、增量特征更新仅处理新追加帧并与缓存特征拼接，兼顾视觉流稳定性与推理效率 |\n\n### 2. 优先深读图表（Top-Priority Deep Reads，共 5 项）\n\n1. **Table 2（主实验定量对比，评分 5）**：全文核心证据。深读要点：(i) Row A→B 引入视觉使 MPJPE-L 从 8.45 降至 6.44 cm，但 FPS 从 216 骤降至 29，揭示 EgoPoseFormer 的延迟代价；(ii) Row B→C 替换为本文 HMD 编码器，MPJRE-U 从 15.39° 降至 8.59°（>20%，深绿），归因于专用关节嵌入设计；(iii) Row D→E 加入深度与 KPO，MPJPE-U 从 3.57 降至 1.66 cm（降幅超 50%），FPS 仍保持 97±6，验证精度-实时性权衡；(iv) 注意口径：Row E 的 MPJPE-U（1.66）与 Table 3 Full System 全身 MPJPE（2.92）不可直接比较，前者为上半身分项、后者为全身平均。\n2. **Table 3（消融实验，评分 5）**：深读要点：(i) 输入模态边际收益递减：单帧 RGB 贡献最大（6.26→4.42 cm），多帧 RGB（4.25）与深度（3.95）增量较小；(ii) KPO 带来最大单项降幅（3.95→2.92 cm，>20%）但 FPS 从 154 降至 97；(iii) 移除 Spatiotemporal Encoder 使 MPJRE 从 7.61° 翻倍至 14.29°，证明时序建模对旋转精度至关重要；(iv) 移除 Cross-Modal Fusion 仅升至 4.08 cm，提示融合模块的必要性部分依赖上游时空编码器的特征质量。\n3. **Fig. 2（方法框架总览，评分 5）**：理解方法的入口，需对照第 3.3–3.4 节核对数据流：双流各自经 frame-wise transformer T_f 与 joint-wise transformer T_j（式 (3)(4)）；cross-attention 中 HMD 特征作 Query、RGB-D 特征作 Key/Value；T_g/T_l 双分支解码（骨盆全局旋转 vs 其余关节局部旋转）；FK 层+One Euro filter 输出 P_t（式 (6)）；末端 KPO 模块以能量项 E_A（式 (5)）与 E_S（式 (6)）细化。\n4. **Fig. 9（用户研究统计，评分 5）**：深读要点：(i) 方法论：Friedman 检验（全项 p<0.001）+ Wilcoxon 符号秩检验（Holm–Bonferroni 校正），n=20；(ii) 效应量：Q2（下肢精度）Kendall's W=0.884、Q6（使用意愿）W=0.857 为区分度最强维度；(iii) 关键细节：EP vs EP+EF 在 Q1（p=0.051）、Q4（p=0.749）、Q5（p=0.090）均无显著差异，说明单纯叠加视觉模块若无低延迟保障无法改善主观体验；(iv) 局限提示：手臂遮挡下肢或身体移出视野时平滑度下降（与 Fig. 10 呼应）。\n5. **Fig. 7（热图与可见性因子分析，评分 4）**：连接方法设计与定量证据的桥梁。深读要点：(i) 左列（无 ζ）显示固定阈值无法抑制视野外关节的虚假热图响应；(ii) 中列（+ζ）显示噪声被抑制、分布锐化；(iii) RGB 与 RGB-D 行对比证明深度线索改善 3D 空间结构理解与关节定位；(iv) 评估方式为已知相机内参下的 2D 重投影对齐，属间接验证而非 3D 误差直接度量，解读时需注意。\n\n### 3. 图表关系与实验设置图\n\ntext\n【硬件/场景层】Fig. 1（HMD + 双手柄 + 头显下视 RGB-D 相机）\n        │\n        ▼\n【方法层】Fig. 2 框架总览\n   ├─ HMD 流时空编码器（式 3）\n   ├─ RGB-D 流编码器（式 4）+ Alg. 1 可见性时序细化（Fig. 7 验证）\n   ├─ Cross-Attention 跨模态融合\n   ├─ T_g / T_l 双分支解码 + FK + One Euro filter（式 6）\n   └─ KPO 能量优化（式 (5)(6)；Fig. 3 验证 E_A / E_S 作用）\n        │\n        ▼\n【系统层】Fig. 5 跨设备传输管线（input client ↔ WebSocket ↔ inference server ↔ rendering client）\n        │\n        ▼\n【数据层】Table 1（数据集对比）→ 第 4 节 EgoPoseVR 数据集（1.8M 帧）→ Fig. 4 样例\n        │\n        ▼\n【实验层】Table 2 模块级对比（Row A–E）⇄ Fig. 6 合成数据定性验证\n          Table 3 消融 ⇄ Fig. 7 热图/ζ 分析\n          Table 4 问卷 → Fig. 9 统计检验 + Fig. 8 真实场景对比\n          Fig. 10 失效案例 → 第 7 节局限与未来工作\n``n\n**实验设置要点**（第 6.1 节）：训练硬件 NVIDIA GeForce RTX 3090；数据划分 90% 训练 / 10% 测试；优化器 AdamW（lr=5.0e-4），batch size=32；训练目标含 2D 关节估计损失与 3D 姿态估计损失（完整权重策略见补充材料）；指标为 MPJPE / PA-MPJPE（cm）、MPJRE（°）、FPS。用户研究（第 6.5 节）：20 名被试（11 男 9 女，均值年龄 24.9，SD=3.73），经 IRB 批准，5 分钟内自由执行全身动作（行走、坐下、抬腿、弯腰等），UE 中三方法化身并排同步渲染且被试对排列不知情。\n\n### 4. 图表-结论映射\n\n| 论文核心结论 | 支撑图表 | 证据链说明 |\n|---|---|---|\n| 结论 1：EgoPoseVR 优于 SOTA（EgoPoser 及其与 EgoPoseFormer 的组合），姿态估计更准更稳 | Table 2（定量）、Fig. 6（合成数据定性）、Fig. 8（真实场景定性） | Table 2 Row E 全指标最优（MPJPE-U 1.66 cm vs Row B 4.92 cm）；Fig. 6/8 展示大关节角与大幅头部运动下基线失效而本文方法保持准确 |\n| 结论 2：双流时空架构与跨模态融合有效，各模块均有独立贡献 | Table 3、Fig. 7、Alg. 1 | Table 3 逐级消融量化模态与组件的边际贡献；Fig. 7 证明可见性因子 ζ 与深度输入的独立价值；Alg. 1 支撑视觉流稳定性与增量计算效率 |\n| 结论 3：系统保持实时性（97 FPS），可部署于真实 VR 环境 | Table 2 FPS 列、Table 3 FPS 列、Fig. 5 | 完整系统 97±6 FPS 满足实时交互；Fig. 5 的 WebSocket 三组件架构支撑跨设备低延迟双向传输 |\n| 结论 4：真实场景用户研究中主观精度、稳定性、具身感与未来使用意愿显著更高 | Fig. 9、Table 4、Fig. 8 | Friedman 全项显著（p<0.001），事后检验 EgoPoseVR 对两基线 p<0.01/0.001；Q2/Q6 效应量最大（W=0.884/0.857），主观接受度与技术指标改善一致 |\n| 结论 5：KPO 运动学优化在保持骨骼结构的同时提升精度 | Fig. 3、Table 3（+KPO 行）、式 (5)(6) | Fig. 3 展示 E_A 单独使用与 E_A+E_S 的差异；Table 3 显示 KPO 使 MPJPE 从 3.95 降至 2.92 cm 且 MPJRE 保持 7.61° 不变（保旋转、改位置） |\n| 结论 6：构建了首个面向 VR 自我中心全身姿态的大规模时空对齐合成数据集 | Table 1、Fig. 4 | Table 1 显示其为唯一同时具备深度、旋转标注、时序连续性与显式 HMD 适配的数据集（1.8M 帧，超过现有最大 1.2M）；Fig. 4 展示 2D/3D 标注与运动模糊等真实挑战 |\n| 结论 7（局限）：视野丢失与 sim-to-real 差距仍是开放问题 | Fig. 10、第 7 节正文 | Fig. 10 展示部分/完全不可观测下的失效；正文承认合成视觉观测引入 sim-to-real gap，已通过可见性建模（第 3.3.2 节）与 KPO（第 3.4 节）部分缓解，未来需采集真实同步数据 |\n\n**交叉验证提示**：Table 2（Row E：MPJPE-U 1.66 / MPJPE-L 4.75）与 Table 3（Full System：全身 MPJPE 2.92）统计口径不同（分部位 vs 全身平均），引用时不可混用；Fig. 9 中 EP 与 EP+EF 在 Q4 的 p=0.749（n.s.）是“延迟损害稳定性感知”论断的关键佐证细节；Table 2/3 的行颜色编码（黄/浅绿/深绿）仅表示相对上一行的改进幅度，不代表与 Row A 基线的累计对比。"
}