arXiv new; motion tokenizer; synthetic data scaling · P3 · 2026-06-30

Beyond MoCap：它和通用视觉自监督的关系在于：Motion tokenizer 与合成运动扩展 codebook 的想法，可迁移到视频 tokenization/动作表征

中相关；详见方法、贡献和实验边界。

Beyond MoCap: Scaling Motion Tokenizers with Synthetic Human Motion for Generative Modeling　arXiv new; motion tokenizer; synthetic data scaling　原文链接

编号2606.27547 优先级P3 类别arXiv new; motion tokenizer; synthetic data scaling 会议arXiv new; motion tokenizer; synthetic data scaling 方法Motion tokenizer 与合成运动扩展 codebook 的想法，可迁移到视频 tokenization/动作表征来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：Motion tokenizer 与合成运动扩展 codebook 的想法，可迁移到视频 tokenization/动作表征。中相关；详见方法、贡献和实验边界。

**Figureure 2 · : Overview of the motion synthesis pipeline**Figure 2: Overview of the motion synthesis pipeline. We generate diverse poses via crossover and mutation, filter them using a physical prior, and construct motion sequences through interpolation and trajectory recovery.这张图概括 Beyond MoCap 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 4 · : Qualitative motion generation results on challenging prompts, includ**Figure 4: Qualitative motion generation results on challenging prompts, including rare actions such as sports, yoga, and kung-fu. For each example, the original model output is shown in blue, and the result from our method is shown in orange below.这张图/表用于判断 Beyond MoCap 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：Motion tokenizer 与合成运动扩展 codebook 的想法，可迁移到视频 tokenization/动作表征。

方法拆解

Motion tokenizer 与合成运动扩展 codebook 的想法，可迁移到视频 tokenization/动作表征

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。