元宇宙/虚拟人

⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验

2025-09-12 更新

Motion-Based User Identification across XR and Metaverse Applications by Deep Classification and Similarity Learning

Authors:Lukas Schach, Christian Rack, Ryan P. McMahan, Marc Erich Latoschik

This paper examines the generalization capacity of two state-of-the-art classification and similarity learning models in reliably identifying users based on their motions in various Extended Reality (XR) applications. We developed a novel dataset containing a wide range of motion data from 49 users in five different XR applications: four XR games with distinct tasks and action patterns, and an additional social XR application with no predefined task sets. The dataset is used to evaluate the performance and, in particular, the generalization capacity of the two models across applications. Our results indicate that while the models can accurately identify individuals within the same application, their ability to identify users across different XR applications remains limited. Overall, our results provide insight into current models generalization capabilities and suitability as biometric methods for user verification and identification. The results also serve as a much-needed risk assessment of hazardous and unwanted user identification in XR and Metaverse applications. Our cross-application XR motion dataset and code are made available to the public to encourage similar research on the generalization of motion-based user identification in typical Metaverse application use cases.

本文探讨了两种最先进的分类和相似性学习模型在基于各种扩展现实（XR）应用程序中的用户动作可靠识别用户的通用化能力。我们开发了一个新型数据集，其中包含来自49名用户在五个不同XR应用程序中的广泛运动数据：四个具有不同任务和动作模式XR游戏，以及一个没有预设任务集的社会XR应用程序。该数据集用于评估两个模型在跨应用程序方面的性能和特别是一般化能力。我们的结果表明，虽然这些模型可以在同一应用程序内准确识别个人，但它们在不同XR应用程序中识别用户的能力仍然有限。总体而言，我们的结果提供了对当前模型的通用化能力和作为生物识别方法进行用户验证和识别的适宜性的见解。结果也提供了对XR和元宇宙应用程序中危险和非必要用户识别的迫切风险评估。我们的跨应用程序XR运动数据集和代码已向公众开放，以鼓励在元宇宙应用程序典型用例中的基于动作的用户识别通用化的类似研究。

论文及项目相关链接

PDF

Summary

本文探讨了两种先进分类与相似性学习模型在多种扩展现实（XR）应用中的用户身份识别能力。通过创建包含来自49名用户的多种动作数据的新数据集，并对两款模型在不同XR应用中的性能和泛化能力进行评估，发现这两款模型在同一应用内能够准确识别用户身份，但在跨应用时存在局限性。本文结果为当前模型的用户验证和用户身份识别的生物识别方法的适用性提供了见解，并为XR和元宇宙应用中危险和不当用户识别的风险评估提供了重要参考。同时，公开了跨应用的XR动作数据集和代码以推动相关领域研究。

Key Takeaways

1. 文章探索了两个分类与相似性模型的泛化能力在XR应用的用户身份识别中。
2. 通过构建新型数据集评估模型性能，包含多种XR应用的动作数据。
3. 模型在同一XR应用内能准确识别用户身份，但跨应用识别能力受限。
4. 结果对当前模型的泛化能力及适用于用户验证和身份识别的生物识别方法提供了见解。
5. 研究为XR和元宇宙应用中不当用户识别的风险评估提供了参考。
6. 文章公开了跨应用的XR动作数据集和代码以鼓励未来相关研究。

Cool Papers

点此查看论文截图