Reconstruction 指标调研记录

本页保留详细公式、备选指标和文献来源，供需要追溯时查阅。日常实验请直接阅读 Reconstruction 评测指标。

状态：讨论稿，不是 frozen evaluator contract。 本页只回答“每个 Recon 指标怎样算、适用于哪个 panel”；baseline 来源与接入状态见 Reconstruction baselines。论文唯一 confirmatory primary 暂定为 downstream Physics success，Recon metrics 支持 reconstruction claim。

先看结论

数据	我们实际比较什么	为什么
D3D-HOI · 正文主线	Orient. [°]、Loc. [cm]、Dim. [cm]、Rev. [°]、Pri. [cm]	这是 D3D-HOI native GT-CAD protocol；CAD 已给定，所以不评 Object CD / Moving-part CD
ARCTIC RGB · 可选	官方 hands+object 指标：hand MPJPE、两项 relative-root error、AAE、CDev、MDev、object vertex success	只在 ArcticNet-SF、HOPformer 和 Ours 能使用同一 view/split/evaluator 时整组加入
Generated video · supporting	output coverage、self-consistency、failure 与 downstream Physics	没有冻结逐帧 GT 时不能声称 Recon accuracy

Contact distance 可以由几何计算；contact precision/recall/F1 只有在方法真的预测 contact set、并有独立 GT 时才 成立。下面保留完整公式和候选目录，日常执行只需看 Reconstruction 评测指标。

1. 我们实际重建什么

目标输出为：

\[ \widehat{\mathcal R} =\{\widehat H_{1:T},\widehat T^o_{1:T},\widehat q_{1:T},\widehat s\}, \]

即 SMPL-X human、object world pose、articulation (q) 和 scale。Contact 分三类：

• contact-intent input：GT、人工 review、VLM pseudo-label 或其他预处理标签；
• achieved-contact diagnostic：由重建 mesh 几何导出的 gap/collision；
• contact prediction：只有另建无人工 test intervention 的预测任务、独立 GT 和 P/R/F1 后才成立。

正式表逐行披露 contact provenance；由输入标签与重建几何计算的距离只称 label-qualified geometric gap。

2. 三类入口与 GT / reference availability

同一数据源可有多个入口；表中协议是身份的一部分，不能只写“ARCTIC”。

Panel / protocol	输入	可用 GT 或 reference	不可假设存在	合法 lead metrics	主要 alignment
D3D-HOI Real RGB→Recon · P0 core	单目 RGB + GT CAD + GT pose/motion rendered object mask；所有 rows 权限相同	object base rotation/translation、dimensions、revolute/prismatic part motion、matched parametric CAD	full-body GT、contact GT、独立 mesh geometry GT	原论文 native orientation/location/dimension/part-motion errors；coverage/failure 另作 ITT audit	world/camera object frame；不作 PA
ARCTIC RGB→Recon · P1 time-gated	冻结 allo/exocentric 或 ego RGB protocol	MoCap/MoSh++ SMPL-X full-body GT、双 MANO hands、object base + 1D articulation、contact pairs、calibrated cameras	不同 view/split 自由混用；把官方 MANO leaderboard 自动延伸为 full-body leaderboard	official hands+object：\(\mathrm{MPJPE}_h\)、\(\mathrm{MRRPE}_{r\to l}/\mathrm{MRRPE}_{r\to o}\)、AAE、object vertex SR@0.05D、CDev/MDev、\(\mathrm{ACC}_h/\mathrm{ACC}_o\)；full-body supplement：world/camera + root-aligned MPJPE/PVE/root/temporal	只有完整 activation set 过 gate 才启用；run coverage/failure 不是 official metric
Generated Video→Recon	冻结 generator、prompt、seed、camera、asset	只有 generator 实际导出且冻结 的逐帧 human/object/q 才是 controlled reference；asset geometry/URDF 仅是资产 GT	仅凭 Infinigen/PartNet/GAPartNet/ArtVIP 资产自动得到 video-level human/contact/trajectory GT	有 reference 时用对应 accuracy；无 reference 时仅 consistency、coverage、downstream Physics	frozen generator camera/world convention
ARCTIC captured/GT-like→Physics	captured motion/reference，绕过 Recon	controller reference	Recon 输出/误差	Physics controller isolation	canonical Studio frame

D3D-HOI 是 real-video articulated object benchmark； ARCTIC 的 consistent-motion 官方 leaderboard task 是 two hands + articulated object，但数据集本身同时提供 MoCap/MoSh++ SMPL-X full-body GT 和 calibrated cameras。ARCTIC 的手部 MPJPE_h 不得改名成 full-body MPJPE；full-body 是另建 supplement protocol。Ours 稳定输出是 SMPL-X，而官方 hands+object baselines 使用 MANO；在冻结并验证 MANO↔SMPL-X 21-joint 与 contact-vertex correspondence bridge 之前，Ours row 的 \(\mathrm{MPJPE}_h\)、CDev、MDev 与 vertex ACC 均为 Unavailable，不允许用 nearest vertex 事后选 mapping。Infinigen、PartNet-Mobility、GAPartNet 与 ArtVIP 是 asset sources，不是独立视频数据集； VideoGen 才是 generated-video pipeline。

3. 共同分母、对齐与统计

正式报告以 scheduled_manifest 为分母：crash、NaN、timeout、missing 和 early termination 均保留；continuous metric 只在有 GT 的真实 valid prefix 计算并同时报 coverage。每个预注册 case×seed 只有一个 canonical result；有多个 seed 时先在 case 内聚合，再按真实 CAD/object cluster 做 paired bootstrap。Revolute 与 prismatic 分开。当前跨数据集 manifest-driven ITT aggregate 尚未完成，已有数字只能标 pilot/historical。完整统计规则见 Evaluation strategy。

4. Human metrics

设 \(J_{tj}\) 与 \(V_{tv}\) 为 GT joint/vertex，帽号为预测。

\[ \operatorname{MPJPE}=\frac1{TJ}\sum_{t,j}\|\widehat J_{tj}-J_{tj}\|_2, \qquad \operatorname{PVE}=\frac1{TV}\sum_{t,v}\|\widehat V_{tv}-V_{tv}\|_2. \]

必须分别命名 world/camera、pelvis/root-aligned 和逐帧 similarity-Procrustes 后的 PA-MPJPE。 PA-MPJPE 只测 pose/shape diagnostic，因为它会移除 translation、rotation 和 scale。PVE 只在相同 topology 和 vertex correspondence 下成立。

root translation 与 orientation：

\[ e_{t}^{root}=\|\widehat t^{root}-t^{root}\|_2, \quad e_R^{root}=\cos^{-1}\!\left[ \operatorname{clip}\!\left(\frac{\operatorname{tr}(R^{\top}\widehat R)-1}{2},-1,1\right) \right]. \]

按 body/arm/left-hand/right-hand 分组报告 MPJPE/PVE，不能通过只报全身均值隐藏小尺度手部错误。 WHAM 提供 world-grounded human motion 中 MPJPE、PA-MPJPE、PVE、world trajectory、acceleration/jitter 和 foot sliding 的一手先例；ARCTIC 的官方 \(\mathrm{MPJPE}_h\) 是每只手去 root 后 21 joints 的 mm 误差，然后对两手汇总。

Metric	数据要求	优点	可投机/限制	位置
world/camera MPJPE	同 frame/world joint GT	直接支持 world-grounded claim	camera/ground calibration 误差混入	full-body GT panel 的 main/secondary
root MPJPE	root-aligned joint GT	隔离 pose	隐藏 global/root error	ARCTIC official hands panel（仅激活时）；其他 secondary
PA-MPJPE	joint GT + similarity fit	隔离 shape/pose	移除论文关键 global error	appendix diagnostic
PVE	同 topology mesh GT	表面密集	topology 不同不可比	secondary
root trans/orient	global GT	支持 HOI layout	坐标约定敏感	key secondary
hand/body groups	joint mapping	揭示局部退化	多重比较	appendix，预声明 groups
foot slide	foot contact + FPS/ground	检查落地稳定性	contact detection 易循环定义	appendix/control quality

5. Object pose 与 geometry

\[ e_t=\|\widehat t-t\|_2, \qquad e_R=\cos^{-1}\!\left[ \operatorname{clip}\!\left(\frac{\operatorname{tr}(R^\top\widehat R)-1}{2},-1,1\right) \right]. \]

D3D-HOI 原论文报 object orientation 的 SO(3) relative angle（degree）、base-center location（cm）、dimension difference（cm），以及 revolute part-motion absolute error（degree）和 prismatic error（cm）；这应是 D3D panel 的直接基线，而不是把 mask self-consistency 当 GT accuracy。 层级不能写错：official evaluator 对每个 video 计算一个 orientation/location/dimension error，只有 part motion 先在 video 内跨 frame 平均。原论文把 storage furniture 的 revolute/prismatic 分成两个 evaluation groups：pose/dimension 的 average 跨 9 个 groups；revolute motion 的 average 只跨 8 个 revolute groups、明确排除量纲为 cm 的 storage-prismatic；prismatic 列只汇总 17 个对应 videos，不能与 revolute degree 再平均。

对 video \(i\) 写为

\[ e_{\mathrm{dim},i}=\frac13\sum_{a\in\{w,h,d\}}|\widehat d_{ia}-d_{ia}|\;[\mathrm{cm}], \qquad e_{q,i}=\frac1{T_i}\sum_{t=1}^{T_i}|\widehat q_{it}-q_{it}|, \qquad \operatorname{unit}(e_{q,i})= \begin{cases} [\mathrm{deg}], & \text{revolute},\\ [\mathrm{cm}], & \text{prismatic}. \end{cases} \]

orientation 使用上式 \(e_{R,i}\)，location 使用 \(e_{t,i}\)。official evaluator 先对同 category 的 video 等权平均，原论文 Table 2 再给 category rows 与跨 category 的 macro average：

\[ \bar e_c=\frac1{|\mathcal I_c|}\sum_{i\in\mathcal I_c}e_i, \qquad \bar e_{\mathrm{macro}}=\frac1{|\mathcal C|}\sum_{c\in\mathcal C}\bar e_c. \]

正式 author-fidelity aggregate 必须复现这个 video→evaluation-group→macro 口径，并把 revolute/prismatic 分开；不能在看到结果后改 weighting。对 \(e_R,e_t,e_{\rm dim}\)，\(\mathcal C\) 是 9 个 groups；对 revolute motion，\(\mathcal C\) 只含 8 个 revolute groups；prismatic motion 只在 17 个 storage-prismatic videos 内聚合。 该 reducer 已固化在 scripts/experiments/d3dhoi_native_recon_protocol.py；作者公开结果由 scripts/experiments/aggregate_d3dhoi_author_release.py 生成可追溯 aggregate，后续 Ours 的 256 个 result.pt 使用同一 reducer，禁止 degree/cm 混合平均。 本项目不在正文保留 automatic-CAD claim，因此不引入原论文 CAD-retrieval ablation，也不把 retrieved-correct subset 结果混入 GT-CAD main table。

3DADN 是 D3D panel 的 partial-output candidate，只比较 revolute state。3DHOI 论文在 239 个 revolute videos 上报告了它的结果，但该 adaptation 为满足 3DADN 的单调运动假设，使用 GT motion annotation 将输入切成 opening/closing 片段；论文还明确说明 3DADN 并非每帧都输出 motion state，reported error 只在 temporal optimization 有预测 motion parameters 的帧上计算。本地目前也没有 这批逐视频 predictions。因此正文必须先取得预测，再按 D3D native q-state 和统一 scheduled frames 重评；否则只能在附录标为 reported-only，并披露 GT-motion input privilege 及 video/frame coverage。 Orient./Loc./Dim./Pri. 不适用，不能补 GT 或补零。3DHOI 论文提出的 CubeOPT 另有 239 条我们的 author-code reproduction；它不是 3DADN，也不是作者发布结果。

5.1 3DHOI legacy nine-metric protocol（appendix only）

3DHOI paper 与 official evaluator 在 239 个 revolute videos 上使用九项 error metrics。这是独立的 legacy panel，不与 D3D native GT-CAD 五项主表混合。对整体物体或可动部件的 10,000 个 surface samples \(P,Q\)，official code 先将预测与 GT 各自归一化到相同最大直径，再作不估计尺度的 rigid ICP，最后计算 PyTorch3D 双向 squared Chamfer：

\[ \operatorname{CD}(P,Q)= \frac{1}{|P|}\sum_{p\in P}\min_{q\in Q}\|p-q\|_2^2+ \frac{1}{|Q|}\sum_{q\in Q}\min_{p\in P}\|q-p\|_2^2. \]

Object CD 与 Moving-part CD 因此是 normalized squared-distance score，不是 cm。若 ICP 给出 \((R_{\rm ICP},t_{\rm ICP})\)，而预测/GT 未归一化前的最大直径为 \(\hat d,d\)，则其 pose errors 为

\[ e_R=\cos^{-1}\!\left[\operatorname{clip}\!\left( \frac{\operatorname{tr}(R_{\rm ICP})-1}{2},-1,1\right)\right]\;[\mathrm{deg}],\quad e_t=\|t_{\rm ICP}\|_2\;[\text{normalized}],\quad e_s=1-\min\!\left(\frac{d}{\hat d},\frac{\hat d}{d}\right)\;[1]. \]

设 GT axis/origin 为 \((a,o)\)，预测为 \((\hat a,\hat o)\)，motion errors 为

\[ e_o=\frac{\| (\hat o-o)\times a\|_2}{\|a\|_2}\;[\text{normalized}],\quad e_a=\cos^{-1}\!\left[\operatorname{clip}\!\left( \frac{|a^\top\hat a|}{\|a\|_2\|\hat a\|_2},0,1\right)\right]\;[\mathrm{deg}],\quad e_{\rm dir}=\cos^{-1}\!\left[\operatorname{clip}\!\left( \frac{a^\top\hat a}{\|a\|_2\|\hat a\|_2},-1,1\right)\right]\;[\mathrm{deg}]. \]

State 是 degree absolute error；official code 对 CubeOPT/3DADN 先用一个 closed frame 重置零点，然后直接取 绝对差，没有 circular wrap，所以不能用另一个 wrapped-angle evaluator 补数。九项都是先逐帧、再逐 video 平均、最后跨 video 平均；3DADN State 的帧集例外必须另报 coverage。CubeOPT 还使用 GT object mask 和 GT moving-part mask，D3DHOI-GT-CAD 使用 GT object mask + GT CAD，因此该表是带 input-privilege 标记的 source-comparison，不是无条件 full-system ranking。

给定相同 model point set \(M\)：

\[ \operatorname{ADD}=\frac1{|M|}\sum_{x\in M} \|\widehat R x+\widehat t-(Rx+t)\|_2, \]

\[ \operatorname{ADD\mbox{-}S}=\frac1{|M|}\sum_{x\in M} \min_{y\in M}\|\widehat R x+\widehat t-(Ry+t)\|_2. \]

ADD-S 只用于预声明的对称物体；最近邻会让非对称错误看起来过小。现代 symmetry-aware pose comparison 优先参考 BOP 的 MSSD/MSPD/VSD 及对象 symmetry 规范，而不是事后任选 ADD/ADD-S。

若方法真的重建 geometry，设预测/GT surface samples 为 \(P,Q\)：

\[ \operatorname{CD}_{sym}(P,Q)= \frac1{|P|}\sum_{p\in P}\min_{q\in Q}\|p-q\|_2^2+ \frac1{|Q|}\sum_{q\in Q}\min_{p\in P}\|q-p\|_2^2, \]

\[ F_\tau=\frac{2P_\tau R_\tau}{P_\tau+R_\tau}, \]

其中 \(P_\tau,R_\tau\) 是两方向 surface distance \(\leq\tau\) 的比例。 ArtHOI hand--articulated reconstruction 使用 CD/MSSD(mm) 与 F-score@5/10mm，但 task 是 hand + articulated object，且某些 baseline 需要 pre-scan；只能在重叠输出、 同输入条件下比较。若 asset mesh 是所有方法共同输入，geometry 是常量，不应列作性能指标。

Metric	优点	风险	位置
(e_t,e_R)	直接、可解释	symmetry 与坐标约定	D3D main
ADD / MSSD	联合 pose+shape 表面影响	correspondence/symmetry 规则	GT mesh subtask main/secondary
ADD-S	symmetry-aware 候选	nearest-neighbor 可低估错误	appendix，只对声明 symmetry
CD / F-score	geometry fidelity	ICP alignment/采样/阈值可投机	geometry-predicting methods only
scale/dimension	量纲与尺寸	scalar/anisotropic 定义混淆	D3D main，按原协议 cm

6. Articulation metrics

joint type、axis/origin 仅在方法实际预测时评测；若从给定 URDF/CAD 读取，不得计作性能。

\[ \operatorname{MAE}_{rev}=\frac1{|\mathcal I_r|}\sum_{(t,k)\in\mathcal I_r} d_r(\widehat q_{tk},q_{tk})\;[\mathrm{rad\ or\ deg}], \]

\[ \operatorname{MAE}_{pri}=\frac1{|\mathcal I_p|}\sum_{(t,k)\in\mathcal I_p} |\widehat q_{tk}-q_{tk}|\;[\mathrm m\ or\ cm], \]

RMSE 同样分表。对于单位 axis (a,\widehat a) 和轴线上 origin (o,\widehat o)：

\[ e_{axis}=\cos^{-1}(|a^\top\widehat a|),\qquad e_{origin}=\|(\widehat o-o)\times a\|_2. \]

active-part endpoint / part-relative pose 更接近视觉后果：

\[ e_{link}=\frac1{|V_a|}\sum_{x\in V_a} \|\widehat{FK}(\widehat q)x-FK(q)x\|_2. \]

Metric	数据要求	优点	风险	位置
joint type macro-F1	type GT、方法预测 type	检验结构发现	class imbalance	subtask appendix
axis/origin	calibrated joint GT	诊断 kinematic discovery	axis sign/origin gauge	subtask appendix
q MAE/RMSE	q GT	最直接	rad/m 混合、angle wrap	D3D core；ARCTIC 仅激活时，分 type
endpoint/part pose	mesh+FK GT	体现真实表面误差	geometry/scale 混入	key secondary
temporal q error	aligned q trajectory/FPS	揭示抖动/相位	alignment 可投机	secondary

ARCTIC 的 AAE 为 \(T^{-1}\sum_t|\omega_t-\widehat\omega_t|\)，表中单位 degree；D3D 对 revolute/prismatic 分别用 degree/cm。代码中的项目自定义 open-state threshold max(5 degree or 2 cm, 0.2 * max GT excursion) 只能作为 diagnostic/sensitivity，不能冒充标准。

7. Contact、penetration、support

有独立 contact GT

对 predicted/GT contact sets 计算：

\[ P=\frac{TP}{TP+FP},\quad R=\frac{TP}{TP+FN},\quad F_1=\frac{2PR}{P+R}. \]

必须固定 surface sampling、距离阈值、hand/part identity 与 frame tolerance，并报告 label coverage 和 wrong-part/wrong-hand contact。但当前 Recon output contract 没有 predicted contact set，因此 P/R/F1 当前是 Unavailable；只有另建 contact-prediction head/task、使用独立 GT 且 test 无人工 intervention 时才能作 secondary。

ARCTIC 对每帧、每只手 \(h\in\{l,r\}\) 在 GT 中距离 \(<3\) mm 的 hand--object vertex pairs \(\mathcal C_{t,h}^{GT}\) 定义：

\[ \operatorname{CDev}_{t,h}=\frac1{|\mathcal C_{t,h}^{GT}|} \sum_{(i,j)\in\mathcal C_{t,h}^{GT}} \|\widehat h_{ti}-\widehat o_{tj}\|_2\;[\mathrm{mm}], \qquad \operatorname{CDev}_{t,ho}= \operatorname{nanmean}_{h\in\{l,r\}}\operatorname{CDev}_{t,h}. \]

即先分手在 contact vertices 内平均，再对该帧的可用左/右手做 equal-hand nanmean，不把两手所有 contact pairs 混成一个按 vertex count 加权的集合。之后按官方 valid-frame 口径聚合。对 GT 中距离全窗都 \(<3\) mm、且长度 \(n-m+1\ge15\) frames (30 FPS) 的最大 stable-contact window \(w=(i,j,m,n)\)：

\[ \mathcal V_w=\{t\in[m+1,n]:t-1\text{ 与 }t\text{ 均 valid}\}, \qquad \operatorname{MDev}_w=\frac1{|\mathcal V_w|}\sum_{t\in\mathcal V_w} \left\|(\widehat h_{ti}-\widehat h_{t-1,i})- (\widehat o_{tj}-\widehat o_{t-1,j})\right\|_2\;[\mathrm{mm}], \]

若 \(|\mathcal V_w|=0\) 则该 window unavailable；全窗都 valid 时分母才简化为 \(n-m\)。 然后对两手的全部 valid windows 平均。它检查 GT-contact pair 在预测中是否同向运动，但不是 contact classification。官方 relative-root 指标为

\[ \operatorname{MRRPE}_{a\to b,t}= \left\|(J^{a}_{0,t}-J^{b}_{0,t})- (\widehat J^{a}_{0,t}-\widehat J^{b}_{0,t})\right\|_2\;[\mathrm{mm}], \]

并分开报 \(r\to l\) 与 \(r\to o\)，不事后平均成一列。对 entity \(e\in\{h,o\}\) 的 root-relative vertices \(x^e_{tv}\)，官方 30 FPS acceleration 为

\[ u^e_{tv}=\frac{x^e_{t-1,v}-2x^e_{t,v}+x^e_{t+1,v}}{(1/30)^2}, \qquad \operatorname{ACC}_{e}=\frac1{|\mathcal T^v_e||V_e|} \sum_{t\in\mathcal T^v_e,v} \|\widehat u^e_{tv}-u^e_{tv}\|_2\;[\mathrm{m/s^2}], \]

其中 \(\mathrm{ACC}_h\) 按官方规则平均左/右手，\(\mathrm{ACC}_o\) 单列，只使用三帧均 valid 的 centered stencil。ARCTIC object vertex success 先各自减掉 object base-center root：

\[ \operatorname{SR}_{0.05,t}=\frac{100}{V_o} \sum_{v=1}^{V_o}\mathbf1\!\left[ \left\|(\widehat o_{tv}-\widehat r^o_t)-(o_{tv}-r^o_t)\right\|_2 <0.05D_o\right]. \]

这是顶点通过比例 [%]，不是整个 sequence 的 binary success；\(D_o\) 是 object diameter。ARCTIC official paper 与official code固定了上述定义； ContactOpt 展示 contact precision/recall 需要独立 thermal contact GT，而非仅靠最近距离。

没有 contact GT

D3D 只能报告 label-qualified gap distribution、wrong-part gap、active-label coverage 和可视化审计；mask 或 contact label 若参与优化，同一信号上的 IoU/gap 是 input consistency，不是独立 accuracy。

penetration depth/volume 需要经过 watertight、SDF sign 和 resolution audit 的 mesh/collision proxy；否则为 N/A。support/float 需冻结 ground/support geometry、gravity 与接触力定义。只在 penetration frames 或成功 sequences 上平均会产生条件分母偏差，必须同时报告全 ITT incidence 与 conditional magnitude。

Metric	位置
contact P/R/F1、wrong-part	当前 unavailable；独立 prediction+GT task 成立后 secondary
CDev/MDev/MRRPE/ACC/object SR	ARCTIC official panel（仅激活时）；需冻结 MANO↔SMPL-X bridge
label-qualified gap	D3D diagnostic
penetration incidence + depth	watertight audit 后 appendix/secondary
support/float	downstream Physics diagnostic

8. Temporal metrics

对位置/vertex \(x_t\)，\(\Delta t=1/\mathrm{FPS}\)：

\[ v_t=\frac{x_{t+1}-x_t}{\Delta t},\quad a_t=\frac{x_{t+1}-2x_t+x_{t-1}}{\Delta t^2},\quad j_t=\frac{a_{t+1}-a_t}{\Delta t}. \]

旋转用 \(SO(3)\) log/geodesic increments，不能直接差分 Euler/axis-angle 参数。区分：

• 与 GT 的 velocity/acceleration/jerk error；
• prediction-only smoothness（只支持 regularity，不支持 accuracy）；
• long-horizon human-root/object drift；
• phase timing/consistency；
• foot slide（只在 GT/可靠 foot contact window）；
• valid duration/coverage。

对冻结的 foot-contact mask \(c_{t,f}\)、地面水平投影 \(\Pi_g\) 与 foot point \(x_{t,f}\)，候选 foot slide 是每个连续 contact transition 的平均水平位移：

\[ \operatorname{FS}=\frac{1000}{|\mathcal K|} \sum_{(t,f)\in\mathcal K} \|\Pi_g(x_{t+1,f}-x_{t,f})\|_2\;[\mathrm{mm}], \quad \mathcal K=\{(t,f):c_{t,f}=c_{t+1,f}=1\}. \]

必须披露 foot points、contact detector/GT provenance、ground plane、FPS 和 \(|\mathcal K|\)；空集合 为 Unavailable。这是 WHAM 风格的 prediction-only control-quality appendix 量，单位是 mm/步平均位移，不写成 mm/s；它不能代替 pose accuracy。

ARCTIC ACC 对 root-relative vertices 用 30 FPS centered difference 并除以 Δt²，单位 m/s²。当前项目 直接 np.diff(..., n=2/3) 的 raw differences 没除 FPS，只能叫 raw temporal difference diagnostic， 不得标 acceleration/jerk SI unit。

9. Generative / perceptual metrics

HumanML3D / text-to-motion 的指标只适用于冻结 learned feature extractor \(\phi_m,\phi_t\)、相同 prompt/reference distribution、完整 scheduled sample 及（Multimodality 时）每 prompt 多个 stochastic samples。

\[ \operatorname{FID}=\|\mu_r-\mu_g\|_2^2+ \operatorname{Tr}\!\left(\Sigma_r+\Sigma_g- 2(\Sigma_r\Sigma_g)^{1/2}\right)\downarrow, \]

\[ \operatorname{RPrec@k}=\frac1N\sum_i \mathbf1[i\in\operatorname{TopK}_{j}\{-\|\phi_m(x_i)-\phi_t(c_j)\|_2\}]\uparrow, \]

\[ \operatorname{Diversity}=\frac1L\sum_{\ell=1}^{L} \|\phi_m(x_{a_\ell})-\phi_m(x_{b_\ell})\|_2\uparrow, \quad a_\ell\ne b_\ell, \]

\[ \operatorname{Multimodality}=\frac1{PL} \sum_{p=1}^{P}\sum_{\ell=1}^{L} \|\phi_m(x_{p,a_\ell})-\phi_m(x_{p,b_\ell})\|_2\uparrow. \]

FID 与 feature distances 是 embedding-dependent 无量纲 score，R-Precision 是比例/[%]；需报 extractor revision、reference/generated N、prompt 数、samples/prompt、pair draw seed 和 repeats。 user study 报预注册问题的 preference rate \(\widehat p=N^{-1}\sum_n\mathbf1[y_n=\mathrm{ours}]\) 与按 participant 及 item 聚类的 CI，并披露 ties、randomization、blinding、exclusion、IRB/ethics 与 sample-size rationale。

Metric	数据要求 / 优点	可投机/限制	结论
FID	大样本 reference/generated embeddings；分布级对照	选特征、小 N、缩放可改 ranking	有 generation claim 才 appendix；不进 Recon main
R-Precision	paired prompt+sample；语义 retrieval	negative-pool 和 encoder 敏感	同上；不证明 object/q/contact
Diversity	跨 sample 两两 feature distance	高噪声也可提高	同上；不支持单 case fidelity
Multimodality	每 prompt 多样本	deterministic Recon 无法定义	只进 stochastic generation appendix
User study	盲法人类评审；可评自然/语义	顺序、参与者与样例选择偏差	只作 perceptual appendix；不替代 GT/Physics

因此它们只在我们明确提出生成/感知质量 claim 且 protocol 合法时进入 appendix；不进 Recon accuracy 或 Physics 主表。

10. Full-pipeline downstream / controlled evidence

正文 D3D end-to-end comparison 固定同一个 frozen Ours Recon reference，让 CoDA、InterMimic、RePHO 与 Ours Physics backend 接收相同 case、asset、budget 和单次 rollout 合同。该表证明真实 reconstructed input 下的 backend difference；不把只有 RePHO 才拥有、且仍为 rigid-object task 的 native reconstruction pipeline 强行并入 articulated complete-pipeline ranking。

Ours Recon (kinematic / w/o Physics) 与 Full Ours 的 paired stage ablation 使用同一 reference，但只比较 两行都定义良好的 reconstruction、interaction 与 physics-aware metrics；kinematic row 不填被动物理 execution 的 outcome success / full-horizon success。ARCTIC/ParaHome GT references 另表绕过 Recon，作为 controller control。 Controlled corruption 只有在最终明确提出某类 noise robustness claim 时才追加。

11. Baseline 与状态

方法来源、最小 baseline 集合和 target lifecycle 只在 Reconstruction baselines 维护。本页不复制第二张状态表。

结论是：D3D-HOI official 与 Ours 是 Table 1 的必做 D3D rows；Ours w/o HOI Align. 是 Table 4/A3 的 paired ablation。3DADN 只有在 逐视频预测统一重评成功后才作为 Rev-only row； ARCTIC 空表保留 ArcticNet-SF + HOPformer + Ours；optional HOI-alignment ablation 独立成 panel，LSTM 只服务 temporal claim。 完整 3DHOI 九指标协议、JointTransformer、ArtHOI/Hand-ArtHOI 与 GRAIL 留在 related work、appendix、diagnostic 或 reported-only。

12. Provisional metric recommendation

Panel	Main / lead	Key secondary	Diagnostic / appendix
D3D Real RGB · P0 core	native object orientation[deg]、location[cm]、dimension[cm]、part motion（rev deg / pri cm 分列）	endpoint active-link error（有 GT 时）；ITT failure/coverage 单列 audit	input-mask consistency、label-qualified gap、raw temporal difference
ARCTIC RGB official hands+object · P1 time-gated	\(\mathrm{MPJPE}_h\)[mm]、\(\mathrm{MRRPE}_{r\to l}/\mathrm{MRRPE}_{r\to o}\)[mm]、AAE[deg]、object vertex SR@0.05D[%]、CDev/MDev[mm]、\(\mathrm{ACC}_h/\mathrm{ACC}_o\)[m/s²]	root metrics；run failure/coverage 单列 audit；contact P/R/F1 当前 unavailable	PA-MPJPE、per-object、hand groups；activation gate 不过整块删除
ARCTIC RGB SMPL-X full-body supplement	optional compact: world/camera MPJPE[mm]、root translation[mm]、coverage/failure	root-aligned MPJPE/PVE、root orientation、velocity/ACC、foot slide	只有 camera/world、SMPL-X regressor、visibility 与 current configured SAM-Body4D dependency/lifecycle gate 全过才入表；否则删除并收缩 body-accuracy claim
Generated Video	有 frozen video reference 时同对应 accuracy；否则 failure/coverage + downstream Physics	reprojection/input consistency（明确自洽）	generative/perceptual only if claim
Full pipeline	唯一 confirmatory primary：ITT full-horizon success	shared-Ours-Recon backend comparison、w/o Physics、q/contact	error--success correlation；claim-triggered corruption curves

阈值（contact distance、F-score、object vertex success、geometry tolerance）保留原论文值作 reported comparison；我们的 paper threshold 必须按 annotation repeatability、measurement noise、visible validation 与 blinded human agreement 冻结，不能选择使 ours 获益最大的数值。

13. 待人确认与复审 gate

不阻塞文档完成、但在 formal freeze 前必须由人签名：

1. confirmatory Physics primary 的最终 outcome/wrapper/threshold；
2. D3D exact denominator（256/270/eligible）和 formal split；
3. ARCTIC 是否整体激活：view/protocol、formal official test/eval server 或 untouched subject holdout、 MANO↔SMPL-X bridge、ArcticNet-SF、HOPformer、Ours overlap 任一不可得则整块不进 formal queue；
4. generated video 是否实际导出逐帧可控 reference；
5. 若 ARCTIC 激活，是否保留 temporal claim；保留才加 ArcticNet-LSTM。JointTransformer 只在 exact challenge code 同协议复现成功时进 appendix；
6. contact/F-score/geometry 阈值与 practically meaningful effect margin；
7. 能否取得或重新生成 3DADN 的 239-video 逐视频预测，并按 D3D native q-state 与统一帧集合重评；不能则该行降为 appendix reported-only；
8. ArtHOI 是否存在严格匹配的 Generated protocol；完整 3DHOI 九指标协议不进入本项目 D3D main。

进入 private formal test 的 gate：输出 contract 与代码一致；panel availability matrix 签名；formal baseline 精确命名；manifest-driven ITT 和真实 CAD cluster 聚合跑通；所有公开数字 target 可复核；P0=0。