MAMMA 開源：只需 4 臺普通攝像機，搞定多人 3D 動作捕捉

過去要做專業的多人動作捕捉，畫面通常很誇張：演員穿戴貼滿反光小球的緊身衣，四周架設幾十臺昂貴的動捕攝像機。如果遇到兩個人跳舞或者擁抱，身體互相遮擋，捕捉點很容易跟丟。

現在，來自馬普所智慧系統研究所（MPI-IS）和卡內基梅隆大學（CMU）的研究團隊打算徹底改變這一現狀。他們入選 CVPR 2026 Oral 的最新開源系統 MAMMA，把多人 3D 動捕的硬體門檻壓到了 4 臺普通攝像機。

扔掉動捕衣，4 臺手機復現子彈時間

MAMMA 的全稱是 Markerless Accurate Multi-person Motion Acquisition。說白了，它就是一套不需要任何物理標記點的多視角 3D 動捕流水線。

你只需要用 4 臺普通攝像機，哪怕是幾臺日常用的 iPhone，從不同角度同步拍攝，它就能把影片還原成高精度的 3D 數字人體模型。

更厲害的是，它專門啃下了多人互動的硬骨頭。以往無標記動捕最怕重疊遮擋，而 MAMMA 能夠精準追蹤雙人舞（比如 Bachata）、擁抱，甚至互相推拉摔倒這類高難度接觸動作。

與此同時，因為還原出了精確的三維人體與空間幾何，系統還能順便輸出《駭客帝國》同款的「子彈時間」環繞視角效果。

把視覺大模型串成流水線，還自帶 Web UI

能用極簡硬體做到這個精度，是因為團隊把這幾年開源視覺領域的頂級工具全部串聯了起來。

它的核心流水線分為五步：影片捕獲、影像分割、2D 關鍵點定位、3D 姿態最佳化與場景視覺化。

在底層，團隊用上了 Meta 的 SAM 2 和 SAM 3 進行精細分割，用 YOLOv12 找人，搭配 ViTPose 與 HRNet 提取姿態，最後將資料統一對齊到馬普所經典的 SMPL-X 具身人體模型中。視覺化部分則交給 Rerun 處理。

更貼心的是，專案並沒有停留在晦澀的學術程式碼層面。倉庫除了提供命令列，還做了一套基於 Flask 和 React 的 Web UI。

只要在本地啟動指令碼，瀏覽器開啟 3000 埠，點一下就能直接跑內建的 56 MB 四機位測試影片。此外，官方還放出了舞蹈、多人、戶外 iPhone 等 5 個不同場景的資料集。

為什麼重要

我們認為，MAMMA 是計算機視覺領域把前沿基礎模型組合落地的絕佳示範。它證明了一件事：靠強大的視覺理解和最佳化演算法，幾臺消費級鏡頭完全可以挑戰以往幾十萬美元的專業動捕棚。

對獨立遊戲開發者、影視特效創作者和虛擬主播團隊來說，這意味著動捕成本的斷崖式下跌。你不需要租用專業影棚，帶著幾部手機去戶外草地，就能錄下複雜的雙人打鬥或互動動作。

不過目前它也有門檻。程式碼雖然放出了推理與訓練流程，但採用的是非商業科研用途許可證，商業團隊暫時無法直接接入產線；同時多相機的標定與 3D 最佳化依然需要吃一定的 GPU 算力。

但不管怎麼看，動捕行業「去標記化」的趨勢已經不可逆轉。當演算法越來越聰明，昂貴的專用硬體最終都將被普通攝像頭取代。