ViT-H: Điều khiển người máy hình người từ video tạo sinh với phản hồi theo dõi chuyển động

Học điều khiển người máy hình người từ video đơn nhãn của con người là một cách có khả năng mở rộng để tiếp thu các hành vi toàn thân đa dạng. Tuy nhiên, các quy trình tái dựng–chuyển đổi–theo dõi hiện có bị hạn chế về khả năng mở rộng ở cấp hệ thống do các giai đoạn trung gian được tối ưu riêng rẽ và không thể trực tiếp tối ưu tín hiệu tham chiếu.