MotionForesight

本视频解析MotionForesight论文。该方法基于TrackCraft3R架构，通过冻结视频DiT和跟踪解码器，仅训练轻量级LoRA适配器和输出头，将回顾性3D跟踪模型转化为前瞻性预测模型。实验显示，在SSv2未见视频上ADE为4.47cm，在OOD手机视频上ADE为9.31cm，优于依赖语言指令的MolmoMotion。该方法无需语言或动作标签，仅凭视觉上下文即可泛化，但存在确定性预测无法表示多模态未来、以及运动幅度校准不足（平均运动比率r=0.72）等局限性。