高动态相机下世界空间人体恢复的诊断研究 A Diagnostic Study of World-Space Human Recovery Under High Camera Dynamics
诊断出人体世界坐标漂移源于相机与人体平移的尺度失配，并给出免训练闭式校正
前置知识
人体网格恢复（HMR）与 SMPL
人体网格恢复指从图像/视频估计参数化三维人体的任务，最常用 SMPL/SMPL-X 参数化：输入形状与姿态参数即可生成稠密网格。视频版 HMR 逐帧输出网格参数与骨盆根节点在相机坐标系下的平移，把人体安放进相机空间。近年方法（WHAM、GVHMR、TRAM、PromptHMR）在 3DPW、EMDB 等基准上精度已很高。
本文的研究对象就是这些视频 HMR 系统：它们的相机空间预测在 K-Pop 视频上依然合理，问题出在与相机位姿合成这一步；理解 HMR 输出什么，才能定位故障点。
视觉里程计（VO）与相机位姿
VO 从单目视频估计相机运动，输出每帧相机到世界的旋转 $R_i\in SO(3)$ 与平移 $T_i\in\mathbb{R}^3$。由于单目观测固有的尺度不确定性，平移只能恢复到相差一个全局尺度因子。代表方法有 DROID-SLAM、DPVO、ViPE；本文默认用 ViPE 并屏蔽动态前景、字幕与天空区域。
世界空间恢复的另一半输入就是 VO 的相机轨迹。论文要证明 VO 本身在快相机下没坏，坏的是它与人体平移的尺度组合，因此必须先懂 VO 输出什么、何为自洽。
相机空间与世界空间
相机空间以当前相机为原点、随相机一起运动；世界空间固定于场景。世界空间人体恢复要求同时估计人体运动与相机运动，组合式方法用刚体变换 $W_i = R_i X_i + T_i$ 把相机空间人体位置 $X_i$ 变换到世界系。分析脚部接触点是因为骨盆在原地动作时也在移动，而脚触地时不动。
全文核心命题就是：$R_i$、$X_i$、$T_i$ 各自自洽，但 $T_i$ 与 $X_i$ 的尺度不一致时，合成公式会把相机运动注入人体轨迹，产生漂移。
单目尺度不确定性与尺度失配
单目视频里相机平移 $T_i$ 和人体相机空间位置/深度 $X_i$ 各自只定义到相差一个尺度。合成步骤隐含假设二者尺度一致（$s=1$）；若 HMR 隐含的相机位移 $ΔT'_{ij}=s\,\Delta T_{ij}$ 与 VO 的 $ΔT_{ij}$ 尺度不符，静止人体会获得 $(1-s)\Delta T_{ij}$ 的虚假位移，漂移随相机位移线性增长。
这是本文诊断出的失败根因，也是闭式校正要估计的唯一未知量 $s$；不理解尺度二义性就无法理解漂移为何'跟着相机走'。
时间反转穿梭测试（S-ATE）
把同一段视频正着跑一遍、反着跑一遍 VO，两次轨迹经单次相似变换对齐后计算位置偏差（S-ATE，按轨迹长度归一）与焦距差（S-Focal）。整段共享的误差（共同尺度偏差、深度偏置）在正反两遍中相同、对齐后抵消，所以该测试只能验证自洽性而测不出共享尺度错误。
论文用它筛选 K-Pop 片段并排除'VO 失效'假设，是诊断逻辑（先排除组件失效、再锁定合成步骤）的关键一环。
MPJPE 系列与 Ratio 指标
MPJPE 是估计与真值关节的平均每关节位置误差；W-MPJPE 在世界系对齐后计算，PA-MPJPE 先做 Procrustes 刚体对齐去除全局变换，WA-MPJPE 是世界系对齐加 Procrustes。Ratio 是把方法输出的世界坐标用单一尺度拟合到参考时的最优尺度（1 为完美，小于 1 表示恢复得偏大）。
读实验表需要分清哪些指标衡量绝对世界位置（W/WA-MPJPE、Ratio），哪些只衡量相对几何（Pair Distance、Formation Error）；本文的优势主要在前者。
研究动机
世界空间人体恢复的主流做法分两类：一类直接从姿态与运动动力学等局部线索预测世界系运动（GLAMR、WHAM 等）；另一类是组合式（compositional）方法——用视觉里程计估计相机位姿，再用刚体变换 $W_i = R_i X_i + T_i$ 把相机空间人体位置拼进世界系，TRAM 与 PromptHMR 是代表。它们在 3DPW、RICH、EMDB 上表现很好，但这些基准几乎都是温和相机运动：论文统计显示 EMDB 相机平均速度只有 0.20 body heights/s（body 为一个身长单位）、最大 0.48。然而在 K-Pop 演唱会广播视频上——相机平均速度 1.15、峰值 2.84 body heights/s，约为 EMDB 的 6–8 倍，加减速比（加速度/速度）1.94 也远超基准，且每帧最多 12 名成员的密集编舞——领先的组合式方法（TRAM、GVHMR、PromptHMR、HAC）虽然逐帧网格在图像上看起来依然合理，世界系轨迹却严重漂移：表演者被拖着追随机位移动、重投影在图像上错位、偏离真实舞台位置可达数米；PromptHMR 的时序抖动（Jitter）高达 $4.49\times10^6$ mm，TRAM 为 312.39 mm，与表演者实际舞台位置相去甚远。
本文的目标是本文的目标有三个层次。第一，建立一个能暴露该失效的评测集：作者从 YouTube 收集约 1000 条 K-Pop 广播舞蹈视频，经转场检测（TransNetV2）、镜头筛选与相机自洽性过滤后得到 616 个片段、59.19k 帧、336.87k 个姿态实例、每帧最多 12 人，仅用于评测。第二，对失败做系统归因：逐一检验视觉里程计（时间反转穿梭测试）与相机空间 HMR（逐帧网格叠加）是否失效，在两者都通过后，把嫌疑锁定在二者结合的合成步骤上。第三，在不重新训练任何网络的前提下，估计并消除相机平移与人体平移之间的尺度失配，使所有表演者在同一个共享世界系中轨迹稳定、相对队形保持，可用于编舞建模、场景编辑、虚拟重拍与端到端方法的训练数据生成。由于广播视频没有世界系真值，作者还用同时被场内固定机位拍摄的 11 对时间同步表演（989 帧、78 名表演者）构建配对参考集，作为世界尺度的直接证据。
与已有工作不同的是，独特切入角度有三。其一，诊断视角：以往遇到漂移会归咎于 VO 或 HMR 在难场景下变弱、进而设计更强模块；本文用自洽性检验证明两个组件都没坏，指出失效发生在组合这一步，是'系统性尺度失配'而非随机估计误差。其二，利用舞台表演的结构做无真值估计：广播视频没有世界系真值，但编舞中大量存在表演者静止不动的区间，其真实世界位移近似为零，因此任何恢复出的位移都是漂移本身——静止表演者成为免费的探针；论文据此观察到漂移严格沿相机路径、随相机位移线性增长（漂移量 $(1-s)\Delta T_{ij}$），这解释了为何在温和相机的旧基准上漂移小到无人注意。其三，估计方式：先前工作要么从背景场景深度估计尺度（TRAM 的 masked DROID-SLAM + Metric3D），要么用 HMR 的绝对关节深度当人体标定物（HAC、OfCaM）；本文只用相对位移差 $Δ\hat W$ 与 $ΔT$ 的加权最小二乘闭式求解，不依赖绝对深度与背景结构，天然规避 dolly-zoom 和舞台灯光对绝对深度的影响。
核心方法
方法整体思路是'先诊断、后校正、再物理细化'。直觉上：VO 给出相机平移 $ΔT_{ij}=T_i-T_j$，HMR 的相机空间预测隐含了它所认为的相机位移 $ΔT'_{ij}$，二者是对同一物理量的两次独立测量；只要存在一个整段共享的尺度因子 $s$ 使 $ΔT'_{ij}=s\,ΔT_{ij}$ 且 $s\neq1$，合成时静止人体就会获得 $(1-s)ΔT_{ij}$ 的虚假位移，且相机动得越多漂移越大。技术路线五步：(1) 用 ViPE 估计相机位姿，屏蔽动态前景与字幕，经时间反转穿梭测试验证；(2) 用 PromptHMR-Vid 在相机空间重建所有表演者（SAM2.1 跟踪 + YOLO11x-pose 双向细化）；(3) 按式 $W_i=R_iX_i+T_i$ 合成到世界系，用 SPEC 的重力方向校正竖轴并 RANSAC 拟合地面；(4) 用脚部接触置信度筛选静止区间，在区间内以加权最小二乘闭式解出唯一尺度 $s^*$，随后按 $W_i^{\text{corr}}=R_iX_i+s^*T_i=W_i-(1-s^*)T_i$ 一次校正相机与所有表演者；(5) 物理接地优化（PGO）联合精调重投影一致性、轨迹平滑、地面接触与多人排斥，并学习残差尺度 $Δs$。全程无需重训练，可换装到不同 VO/HMR 后端。
核心创新是把世界空间漂移从'模型不够好'重新定义为'两个自洽估计之间的尺度契约被打破'。与已有方法的本质区别：TRAM 用遮挡掩码的 DROID-SLAM 加 Metric3D 从背景场景深度推断度量尺度，在舞台大范围变焦、灯光频繁变化、前景人体占满画面时不可靠；HAC/OfCaM 用 HMR 网络输出的绝对关节深度作为'人体标定物'，得到每人一个尺度，无法给出共享世界系。本文的洞见是：漂移和相机位移在静止区间内都可观测，联立式 $Δ\hat W_{p,ij}\approx(1-s)ΔT_{ij}$ 即可只用相对量闭式解出 $s$，既不需要绝对深度也不需要背景结构；对 dolly-zoom 也鲁棒——焦距误差恰好是一个尺度自由度，论文用重缩放焦距的实验（Figure 14）验证估计偏差随焦距乘子线性变化且校正可将其吸收。另一个关键设计是'一个序列一个尺度'：它把相机和所有表演者作为刚体整体重标定，保住表演者间的相对位置；消融显示换成时间变化的尺度反而把 Jitter 从 26.87 mm 恶化到 131.57 mm，因为分段尺度互不一致、重拼的相机路径会引入 VO 从未观测到的虚假运动。
方法步骤详情
完整流程六步。步骤1（相机位姿）：输入广播视频，ViPE 以 0.1s 关键帧间隔运行，用文本短语屏蔽舞者、手持道具、歌词字幕与天空；对变焦剧烈的片段每段拟合单一焦距（剔除超出图像宽度 [0.3×,3×] 的估计），One Euro 滤波（min cutoff 0.001、beta 0.5）平滑轨迹；输出 $\{R_i,T_i\}$ 并经穿梭测试验收（最终片段 S-ATE 1.35×10⁻²、S-Focal 3.39°，与 OpenDV 的 1.05、4.26° 相当）。步骤2（相机空间人体）：PromptHMR-Vid 骨干，两遍跟踪——先在可见人数最多、遮挡最少的初始化帧用 SAM2.1 建立轨道，再用 YOLO11x-pose 检测框双向提示细化，≤5 帧的检测缺口线性插值后逐帧输出 SMPL-X 网格与骨盆平移 $X_i$。步骤3（合成与重力对齐）：对每个关节施加式 (1)，用 SPEC 估计首帧俯仰/横滚把世界系竖轴对齐重力，RANSAC 拟合地面并置零。步骤4（静止区间检测）：取脚踝/脚关节的最高接触置信度 $\bar c_{p,t}=\max_{k\in C}c_{p,t,k}$，10 帧滑窗内至少 $\alpha=0.8$ 比例的帧超过 $\tau_c=0.5$ 才入选；再用两道闸门剔除坏区间——位移与相机运动方向不一致（$|\cos(Δ\hat W_{p,ij},ΔT_{ij})|\le0.8$），或旋转误差信噪比过低（要求 $\|\u0394T\|/(\theta_{err}d)\ge\eta=1.5$，其中 $\theta_{err}=\theta_0+0.1\theta$、$\theta_0=0.5°$）；存活区间按平均接触置信度加权 $w_{p,ij}$。步骤5（闭式尺度恢复）：解加权最小二乘 $s^*=1-\frac{\sum_{p,i,j}w_{p,ij}\,Δ\hat W_{p,ij}ΔT_{ij}^{\top}}{\sum_{p,i,j}w_{p,ij}\|\u0394T_{ij}\|^2}$，对相机与全体表演者统一施加 $W_i^{\text{corr}}=W_i-(1-s^*)T_i$，重拟合地面置零，3D 平移线性插值、姿态球面插值补缺。步骤6（PGO）：最小化 $\mathcal{L}=\lambda_{kp}\mathcal{L}_{kp}+\lambda_{sm}\mathcal{L}_{sm}+\lambda_{rep}\mathcal{L}_{rep}+\lambda_{floor}\mathcal{L}_{floor}+\lambda_{cv}\mathcal{L}_{cv}+\lambda_{ch}\mathcal{L}_{ch}+\lambda_{sf}\mathcal{L}_{sf}$（权重 1.5/1/10/100/500/10/100），含 Geman–McClure 鲁棒重投影项、平移速度/加速度平滑、时间化多人排斥（12 球体近似、安全边距 $δ=0.2$ m）、接触速度惩罚、高置信黏地项与地面高度项，Adam 3000 次迭代，同时学习残差尺度 $Δs$；若无区间入选则跳过校正、保留原始合成。
技术新颖性
技术新颖性体现在四个层面。第一，问题定义：首次把'高相机动态'本身确立为可量化的失效域，并用数据说话——K-Pop 相机平均速度 1.15 body heights/s、峰值 2.84、加速度/速度比 1.94，全面数倍于 EMDB（0.20/0.48/1.10）与 WorldPose（0.14/0.34/0.96），且每帧最多 12 人，现有基准从未覆盖该区域。第二，诊断方法学：用时间反转穿梭测试证明 VO 自洽（正/反向轨迹单次相似对齐后 S-ATE 仅 1.35×10⁻²），用逐帧叠加证明 HMR 自洽，再用'静止表演者漂移沿相机路径且随相机位移增长'这一因果证据锁定合成步骤——这套排除法可迁移到其他系统的失效分析。第三，估计器设计：把无真值场景下的尺度恢复转化为静止区间的加权最小二乘，闭式、免训练、只用相对量；对比 HAC 需要逐人绝对深度、TRAM 需要背景度量深度，约束更弱、更稳。第四，工程鲁棒性：校正跨后端迁移（masked DROID-SLAM、DA3、ViPE 三种里程计与 TRAM/GVHMR/PromptHMR-Vid 多种骨干都有效）；两阶段设计（闭式解 + PGO 残差）使结果对区间数量（125 个 vs 3 个时最终漂移分数 0.318 vs 0.320）和接触阈值（$τ_c$ 取 0.3/0.5/0.8）都不敏感。
实验结果
核心实验有五组。(1) 配对相机参考集（11 对、989 帧、78 人，Table 1）：Ours 的尺度比 Ratio 0.90 最接近理想值 1，WA-MPJPE 39.89 cm、W-MPJPE 47.02 cm、Pair Distance 29.01 cm 全面领先——相比构建参考所用的 PromptHMR（49.25/70.60/42.07）分别降低约 19%、33%、31%；TRAM 为 57.80/99.08/43.97（Ratio 0.77），GVHMR 62.64/68.16（Ratio 0.64），HAC 64.77/116.30（Ratio 0.66）。(2) 全量 616 片段代理指标（Table 2）：Ours 是唯一在两个世界系指标上都进前二的方法——Jitter 26.87 mm、Foot Skating 17.94 mm（均最优）；2D 侧 PCK 0.868、Mask IoU 0.720 位居第三，不敌只做刚体变换的 TRAM（0.921/0.848，但 Jitter 312.39 mm）与 HAC（0.899/0.747，但 Foot Skating 50.48 mm、约为本文 2.8 倍）；PromptHMR 的 Jitter 高达 $4.49\times10^6$ mm，GVHMR 的 PCK 只有 0.210。(3) 跨后端迁移（Table 3）：给 PromptHMR 原生管线加漂移校正，Jitter 从 $4.49\times10^6$ 降到 27.53 mm、Foot Skating 从 $8.91\times10^5$ 降到 18.65 mm、PCK 从 0.802 升到 0.859；换 DA3 里程计几乎不变（26.88/18.22）；TRAM 加校正以少量 2D 精度换大幅稳定（Jitter 312.39→47.38/46.92 mm）。(4) 消融（Figure 9，100 个最动态片段）：漂移校正把 PCK 0.727→0.839、IoU 0.641→0.691、Jitter 32.17→15.88 mm、Foot Skating 31.08→18.57 mm；静止片段实验（Table 9，10 段 60 人）中净位移从原始 2.334 m 降到 PGO 后 0.581 m、再加校正 0.153 m，而 Jitter 几乎不变（12.465→12.379 mm），说明提升来自位置放对而非平滑。(5) 用户研究（34 人、8 序列、每问题 816 票）：整体质量 97.3%、相机运动匹配 96.6% 的票投给本文，对任一基线单独比较也至少 96.3%/95.6%。另在 EMDB-2（温和相机）上校正导致轨迹指标轻微退化（W-MPJPE 415.03 vs 复现 PromptHMR 的 388.66 mm、WA 158.50 vs 139.65 mm），但 Jitter（21.18 vs 46.12）与 Foot Skating（8.79 vs 11.19）仍改善。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 配对相机参考集：世界尺度与轨迹精度（11对/989帧/78人） | WA-MPJPE (cm) | 39.89 | PromptHMR 49.25；TRAM 57.80 | 较最强基线降低约 19% |
| 配对相机参考集 | W-MPJPE (cm) | 47.02 | PromptHMR 70.60；TRAM 99.08 | 降低约 33% |
| 配对相机参考集 | Ratio（尺度拟合比，→1） | 0.90 | PromptHMR 0.80；TRAM 0.77；GVHMR 0.64；HAC 0.66 | 恢复的世界尺度最接近真值 |
| 配对相机参考集 | Pair Distance (cm) | 29.01 | PromptHMR 42.07 | 表演者间相对距离误差降低约 31% |
| K-Pop 全量压力测试（616 片段）：时序稳定性 | Jitter (mm) | 26.87 | PromptHMR 4.49×10⁶；TRAM 312.39；HAC 17.56 | 纠正 PromptHMR 灾难性漂移，仅次 HAC 且 Foot Skating 更优 |
| K-Pop 全量压力测试 | Foot Skating (mm) | 17.94 | HAC 50.48；GVHMR 31.57；TRAM 131.29 | 全场最优，比 HAC 低约 64% |
| K-Pop 全量压力测试 | PCK / Mask IoU | 0.868 / 0.720 | TRAM 0.921 / 0.848；HAC 0.899 / 0.747 | 2D 重投影略逊于不做优化的方法，换取世界系稳定 |
| EMDB-2 温和相机回归测试 | Jitter / Foot Skating (mm) | 21.18 / 8.79 | 复现 PromptHMR 46.12 / 11.19 | 物理合理性指标更好；但 W-MPJPE 415.03 vs 388.66 轻微退化 |
局限与改进
作者承认的局限：(1) 每个序列只估计一个尺度、整组刚体移动，因此无法修复相机空间深度本身就错的个体——长时间被遮挡的表演者会被放到离人群数米之外（Figure 10），遮挡结束后才恢复；(2) 尺度在镜头内部变化的情况不被表示（片段已按硬切分镜头，Table 7 显示换成时间变化尺度反而破坏稳定）；(3) 尺度恢复继承上游相机与 HMR 估计的噪声。我自己的观察：(1) 方法依赖两样'奢侈'输入——可靠的脚部接触置信度与编舞中足够的静止瞬间，快节奏独舞或几乎无停顿的内容可能没有候选区间（作者只做了 125→3 个区间的稳健性实验，并设计了'无区间则跳过校正'的兜底，但零区间场景下的用户实际拿到的是未校正的漂移结果）；(2) 评测体系存在轻微循环风险：配对参考集本身是用 PromptHMR 在固定机位上重建的，而 Ours 的默认骨干也是 PromptHMR，可能天然对齐其坐标系与尺度约定；(3) 代理指标（YOLO11n-Pose 关键点、Mask2Former 掩码）只度量 2D 一致性，无法发现整组一致的深度/尺度错误；(4) K-Pop 广播是很特殊的域（舞台、灯光、队形编舞），向手持日常视频外推仍待验证；(5) 616 段仅用于评测且不重分发视频，社区复现该基准需按 URL 自行下载，长期可得性受平台政策影响。
独立分析的弱点
独立弱点与改进方向：(1) 单尺度刚性假设——同一镜头内摄影机推拉配合变焦（dolly-zoom）时，焦距误差驱动的尺度失配可能随时间变化，单一 $s^*$ 只能取平均；改进方向是拟合带时间正则的低自由度样条 $\{s_t\}$，用 PGO 的重投影项约束，避免重蹈 Table 7 时间变化尺度失稳的覆辙。(2) 静止区间检测依赖接触头——无接触预测的骨干需外挂模型（TRAM 借用 PromptHMR 的置信度），且接触置信度出错会把移动中的脚当静止，污染估计；可加入多模态校验（地面高度一致性、光流零位移验证）提高闸门可靠性。(3) 旋转误差闸门用固定噪声底 $θ_0=0.5°$ 与 $0.1θ$ 的线性模型，在极端变焦、运动模糊下可能低估误差；可换成 VO 自身的不确定性输出或学习式误差预测。(4) PGO 每序列 Adam 3000 次迭代（单张 A6000），比纯前向组合式方法慢一个量级，难以实时；可蒸馏成前向网络或以更优初始化减少迭代。(5) 校正只动整组平移、不修逐人深度误差，遮挡个体的失败（Figure 10）需要联合建模每人相机空间深度与共享尺度的可辨识性，或在遮挡期间用队形先验约束被遮挡者。(6) 验证规模偏小：用户研究 8 序列/34 人、参考集 11 对/78 人，统计功效有限；扩大多机位配对数据（如体育转播）能强化证据链。
未来方向
作者提出的方向：推动社区在高相机动态下做更广泛的评测与应用（编舞建模、场景编辑、虚拟重拍、数据生成），并用校正后的稳定重建为端到端世界空间方法收集训练数据。基于本文成果可延伸：(1) 把闭式尺度估计嵌入可微训练管线，端到端学习尺度一致的 VO+HMR 组合，让 $s$ 不再是后处理量而是模型内生的耦合变量；(2) 与度量深度基础模型（Metric3D 类）结合，把绝对深度用作 $s$ 的先验或交叉验证而非唯一来源，兼取两条路线之长；(3) 扩展到其他高动态域——体育转播（WorldPose 之运动分布）、无人机跟拍、手持 vlog——建立跨域压力测试族；(4) 时间变化尺度的稳定估计：分段常数 + 平滑先验 + 重投影一致性联合推断，突破每镜头单尺度限制并保住时序指标；(5) 遮挡下的个体深度修复：结合生成式补全或多人队形/编舞先验，在长遮挡期间约束被遮挡者位置；(6) 应用落地：用恢复的舞台级世界坐标直接做编舞迁移、虚拟机位重拍、以及作为 3D 数据引擎反哺端到端模型训练。
复现评估
复现评估：正文暂未附代码链接，但有项目主页（chien90190.github.io/worldhmr-fastcam-website/2026），并承诺发布数据集的 YouTube URL 与时间戳（不重分发视频，下载合规由用户自行保证）。所有组件均开源可得：ViPE、PromptHMR(-Vid)、TRAM、GVHMR、HAC、DROID-SLAM、DA3、SAM2.1、YOLO11(x/n-pose)、SPEC、TransNetV2、ViTPose、Mask2Former。附录 B/C 完整披露全部超参数：ViPE 关键帧间隔 0.1s、One Euro 滤波参数、PGO 七项损失权重与优化设置（Adam 3000 迭代、学习率 $10^{-2}$ 与 $5\times10^{-2}$）、接触阈值 $τ_c=0.5$、帧比例 $α=0.8$、信噪比闸门 $η=1.5$ 等，复现细节披露非常充分。算力需求温和：全部实验在单张 NVIDIA RTX A6000 上完成。难度评估：中等——若只为验证核心闭式校正，只需 VO + HMR + 少量后处理代码，工作量不大；若要完整复现 PGO 与全部评测（含配对参考集的人工时序配对、616 片段的下载过滤与穿梭测试筛选），需要可观的工程投入；K-Pop 数据依赖 YouTube 可得性，长期复现存在不确定性。
论文图表
Teaser 图：K-Pop 广播视频中相机推向表演者时，PromptHMR 的 2D 重投影错位、世界系轨迹（灰色）严重向相机漂移；应用闭式校正后（彩色）重投影对齐、轨迹稳定，表演者留在舞台位置附近。
一图讲清全文：失效现象（漂移+错位）、根因（相机与人体平移的尺度失配）与解法（免训练闭式校正）的完整因果链。
对比 EMDB（慢相机 0.5 body heights/s、单人）与 K-Pop（2.1 body heights/s、8 人）上 PromptHMR 的表现：EMDB 重投影对齐、俯视轨迹合理；K-Pop 轨迹漂移、重投影错位；黄框显示 K-Pop 中表演者表观尺寸剧烈变化而 EMDB 几乎不变。
直观呈现'现有基准成功、新场景失效'的反差，并点出表观尺寸快速变化这一与尺度失配相关的可见线索。
两段序列校正前后的世界系轨迹（x-z 平面）与相机路径（黑色）：校正前表演者轨迹跟随相机扫动，校正后收敛为静止点；右侧首末帧显示相机空间网格叠加始终合理，尽管世界系已经漂移。
核心假设的直接证据：静止表演者真实位移为零，恢复出的位移全部来自合成步骤，且漂移严格沿相机路径——这是锁定量纲失配的关键实验。
(a) 相机统计表：K-Pop 平均速度 1.15 body/s、峰值 2.84、对齐角 3.64°、距离 4.88 body、加速度/速度 1.94，对比 EMDB 0.20/0.48/9.48/1.58/1.10 与 WorldPose 0.14/0.34/6.02/27.48/0.96；(b) 焦距范围与每帧人数分布，最多 12 人/帧。
量化论证'高相机动态'确实是现有基准未覆盖的新区域：K-Pop 相机快 6–8 倍且场景更密，为整个研究的必要性提供数据支撑。
失败案例：长遮挡期间本文方法把被遮挡表演者放到人群后方数米处，遮挡结束后位置恢复；PromptHMR 与 HAC 同样失败，GVHMR 一直偏远，TRAM 仍抖动。所有面板同尺度、1 m 网格。
作者主动展示单尺度刚性假设的能力边界：个体相机空间深度错误无法被整组校正修复，是理解方法适用条件的必看图。