SynthGait-19K: A Physically Grounded Synthetic Video Dataset for Gait Parameter Estimation

📄 arXiv: 2609.08108v1 📥 PDF

作者: Soroush Mehraban, Xin Lei Lin, Vida Adeli, Majid Mirmehdi, Amirhossein Dadashzadeh, Clint Hansen, Andrea Iaboni, Babak Taati

分类: cs.CV

发布日期: 2026-09-08

备注: Project Page: https://soroushmehraban.github.io/SynthGait-19k/

💡 一句话要点

提出SynthGait-19K以解决步态参数估计数据不足问题

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 步态参数估计 合成数据集 运动捕捉 Gait2Vid 视觉领域转移 深度学习 临床应用

📋 核心要点

  1. 现有步态参数估计方法受限于小规模和视觉多样性不足的数据集，难以进行有效的移动性评估。
  2. 论文提出SynthGait-19K数据集，通过Gait2Vid合成多样化的步态视频，解决了数据不足的问题。
  3. 实验表明，合成监督在真实视频中有效转移，且空间步态参数对视觉领域转移更为敏感。

📝 摘要（中文）

准确从单目视频中估计临床相关的步态参数对于可扩展的移动性评估至关重要，但现有数据集的规模小、视角受限和视觉多样性不足限制了进展。我们介绍了SynthGait-19K，这是一个基于物理的合成视频数据集，包含19,272个步行视频，来源于437个受试者的6,427个运动捕捉序列，并配有六个步态参数的SMPL运动和注释。为构建该数据集，我们开发了Gait2Vid，通过SMPL统一异构的运动捕捉记录，并在可控视角和场景外观下合成多样的RGB步行视频。我们评估生成视频与其条件步态运动学的一致性，并验证提取的步态事件与力平台测量的对比。使用SynthGait-19K，我们对直接RGB、基于姿态、基于生物力学和人类网格恢复方法进行了基准测试，并分析了视角、训练数据规模和合成到真实的领域转移。

🔬 方法详解

问题定义：本论文旨在解决从单目视频中准确估计步态参数的问题。现有方法面临数据集规模小、视角受限和视觉多样性不足的挑战，限制了步态分析的有效性。

核心思路：论文提出了SynthGait-19K数据集，通过Gait2Vid方法合成多样化的步态视频，统一不同的运动捕捉记录，以增强数据集的规模和多样性。

技术框架：整体架构包括数据集构建、视频合成和步态参数估计三个主要模块。首先，通过运动捕捉数据生成SMPL模型，然后在不同视角和场景下合成RGB视频，最后进行步态参数的估计和验证。

关键创新：最重要的技术创新在于Gait2Vid的提出，它有效地将异构的运动捕捉数据统一为可控的合成视频，显著提高了数据集的多样性和规模。

关键设计：在模型设计中，采用了特定的损失函数来确保生成视频与步态运动学的一致性，同时在网络结构上进行了优化，以提高步态参数的估计精度。具体参数设置和网络架构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，使用SynthGait-19K数据集的GaitXFormer模型在步态参数估计上表现优异，合成监督在真实视频中有效转移，且空间步态参数对视觉领域转移的敏感性更高。与基线模型相比，步态估计的准确性有显著提升，具体性能数据在论文中详细列出。

🎯 应用场景

该研究的潜在应用领域包括临床步态分析、老年人移动性评估以及运动康复等。通过提供丰富的合成数据，SynthGait-19K能够促进步态分析算法的开发与验证，提升相关领域的研究效率和准确性，未来可能对智能健康监测和个性化康复方案的制定产生深远影响。

📄 摘要（原文）

Accurate estimation of clinically meaningful gait parameters from monocular video is important for scalable mobility assessment, yet progress is limited by the small scale, restricted viewpoints, and limited visual diversity of existing datasets. We introduce SynthGait-19k, a physically grounded synthetic video dataset containing 19,272 walking videos derived from 6,427 MoCap sequences across 437 subjects, with paired SMPL motion and annotations for six gait parameters. To construct the dataset, we develop Gait2Vid, which unifies heterogeneous MoCap recordings through SMPL and synthesizes diverse RGB walking videos under controllable viewpoints and scene appearances. We assess the generated videos for consistency with their conditioning gait kinematics and validate extracted gait events against force-platform measurements. Using SynthGait-19K, we benchmark direct RGB, pose-based, biomechanical, and human-mesh-recovery approaches and analyze viewpoint, training-data scale, and synthetic-to-real domain shift. We also introduce GaitXFormer as a direct RGB reference model for estimating gait parameters. Synthetic supervision transfers effectively to real videos across both GaitXFormer and a pose-based architecture, demonstrating utility across different representations. We further find that spatial gait parameters are more sensitive to visual domain shift and that improved HMR reconstruction alone does not necessarily translate to improved downstream gait estimation.