Cepheid
一种跨几何族运动补全方法，通过解耦残差结构与物理尺度，学习无量纲先验并结合振幅估计，实现无需骨骼或跨网格对应的统一运动补全模型
时间轴 (近 90 天)
Cepheid 将残差结构从物理尺度中解耦，学习无量纲先验，通过可观测量估计振幅，并用仅在训练源上拟合的轻量校正来调整，实现跨族运动补全。
Cepheid 的统一模型在所有评估过的几何族上都超越了调和扩展，包括从未见过的布料和带腿身体，且不需要骨骼、配准或跨网格对应关系。
同一个 Cepheid 先验无需重新训练，就能直接应用到点跟踪的动物视频和机器人抓取软体物体的场景中，展示出零样本迁移能力。
Cepheid 的无量纲先验通过将残差除以其自身的均方根幅值，使输出落在单位尺度附近，从而使不同族的残差空间分布模式落在同一数值范围内。
Cepheid 不假设网格具有相同的拓扑结构，可以处理不同分辨率、不同连接关系的网格。
Cepheid 的振幅估计模块只使用观测到的稀疏位移，通过一个轻量网络回归出尺度因子，校正模块只包含少量参数，避免了过拟合。
Cepheid 在测试时先验是固定的，振幅估计和校正都是前向计算，不需要迭代优化，因此模型非常高效。
Cepheid 目前还局限于离线评估，未来需要验证其在真实视频流和动态场景中的鲁棒性；振幅估计的准确性依赖观测质量，稀疏噪声较大时可能退化。
Cepheid 有望降低运动捕捉和动画制作的成本，例如用少量标记点驱动不同角色的布料或软体，不再需要为每个角色单独训练模型。
Cepheid 项目页面为 https://su-terry.github.io/cepheid-website/
全部知识事实 (10)
Cepheid 项目页面为 https://su-terry.github.io/cepheid-website/
50%待验证Cepheid 的统一模型在所有评估过的几何族上都超越了调和扩展，包括从未见过的布料和带腿身体，且不需要骨骼、配准或跨网格对应关系。
50%待验证同一个 Cepheid 先验无需重新训练，就能直接应用到点跟踪的动物视频和机器人抓取软体物体的场景中，展示出零样本迁移能力。
50%待验证Cepheid 的无量纲先验通过将残差除以其自身的均方根幅值，使输出落在单位尺度附近，从而使不同族的残差空间分布模式落在同一数值范围内。
50%待验证Cepheid 不假设网格具有相同的拓扑结构，可以处理不同分辨率、不同连接关系的网格。
50%待验证Cepheid 的振幅估计模块只使用观测到的稀疏位移，通过一个轻量网络回归出尺度因子，校正模块只包含少量参数，避免了过拟合。
50%待验证Cepheid 在测试时先验是固定的，振幅估计和校正都是前向计算，不需要迭代优化，因此模型非常高效。
50%待验证Cepheid 目前还局限于离线评估，未来需要验证其在真实视频流和动态场景中的鲁棒性；振幅估计的准确性依赖观测质量，稀疏噪声较大时可能退化。
50%待验证Cepheid 将残差结构从物理尺度中解耦，学习无量纲先验，通过可观测量估计振幅，并用仅在训练源上拟合的轻量校正来调整，实现跨族运动补全。
50%待验证Cepheid 有望降低运动捕捉和动画制作的成本，例如用少量标记点驱动不同角色的布料或软体，不再需要为每个角色单独训练模型。
50%