RAM——复杂场景下多人3D人体运动重建新框架 | CVPR 2026

一、研究背景 从视频中准确理解并重建人体3D运动是计算机视觉的重要研究方向，在体育赛事分析、VR/AR、人机交互以及医疗康复等领域具有广泛应用价值。然而，在真实复杂场景中，该任务仍面临三大严峻挑战：首先是身份关联不稳定——多人交互时，频繁的遮挡和快速运动容易导致ID Switch，影响后续重建的一致性；其次是运动轨迹中断——视角变化和极端遮挡会造成目标跟踪丢失；第三是重建结果不连续——传统逐帧处理方式难以维持时间维度上的三维结构稳定性。针对上述问题，北京理工大学联合华盛顿大学、安徽大学等研究机构，提出了一种面向复杂真实场景的多人三维人体运动恢复方法RAM（Recover Any Motion）。相关研究成果以论文《RAM: Recover Any 3D Human Motion in-the-Wild》被计算机视觉领域顶级会议CVPR 2026接收。 二、核心方法 RAM 框架由四个关键模块构成，各司其职、协同工作： SegFollow 模块（稳定跟踪） ：引入基于卡尔曼滤波的运动建模机制，将运动一致性信息融入目标关联过程。不再过度依赖外观特征，即使在严重遮挡或外观发生剧变的情况下，依然能维持稳定的身份跟踪，从根本上降低 ID Switch 发生率。 T-HMR 模块（时序三维重建）： 基于时间记忆机制，从邻近帧中筛选关键特征，利用 Transformer 结构进行跨时间信息融合。当当前帧信息不完整或存在噪声时，借助历史上下文生成平滑且一致的3D人体结构，解决重建不连续问题。 动作预测模块： 基于历史运动序列对人体动态进行建模，预测未来的姿态。专门针对目标被完全遮挡的极端情况，在当前没有任何观测信息时，靠预测结果维持运动序列的连续性。 自适应融合模块： 对当前帧重建结果与预测结果进行自适应加权——遮挡严重时更依赖预测，观测清晰时更依赖重建，根据当前信息可靠性动态调整权重，实现最优融合。<img