舞蹈评分不再只看动作类别：学员与示范逐相位对齐，专家/中级/初级排序准确率到81.2%
核心概要
自动舞蹈动作质量评估此前多沿用动作识别思路，只判断跳的是哪支舞，难以区分同一支舞里执行好坏。RSDQ-Net把目标动作与参考示范统一到19节点骨架，用可学习的相位对齐建立软对应，再把空间执行偏差与时间相位偏差分开建模，并用序数标签与人对比较统一约束一个潜在质量变量。在ImperialDance的编舞不重叠五折协议下，其QWK为0.814、序数MAE为0.207，优于最强基线2T-GCN的0.755与0.261。
深度剖析
舞蹈动作质量评估被当作参考条件下的执行偏差比较，而不是动作类别识别。同一支舞的两位表演者可能完成相同编排，却在身体对齐、关节轨迹、时机与协调上不同；识别模型倾向于压制类内差异，评估模型必须保留并解释这些差异。 此前的骨架方法主要回答“做的是哪个动作”，参考比较则常用关节角差、轨迹距离或动态时间规整等固定对齐，其对应关系不参与下游质量监督，时间规整还可能抹掉有意义的时机错误。 在ImperialDance的编舞不重叠五折协议、25次折-种子评估下，RSDQ-Net取得81.2%准确率、0.814的QWK与0.207的序数MAE；最强基线2T-GCN为76.7%、0.755与0.261，配对Wilcoxon检验经Holm校正后QWK的p=0.004、序数MAE的p=0.006。
目标动作与参考示范先被映射到同一套19节点规范骨架，再由共享编码器提取关系感知的时空表示。 三个数据集的原始骨架并不一致：AIST++是SMPL三维动作，ImperialDance是21节点动捕，CDRG-UNIMAS-TIKTOK只有RGB视频，需要先重建为三维人体动作。 规范拓扑保留躯干与双侧肢体，节点特征由归一化位置、时间位移、解剖骨向量与观测置信度组成；序列统一重采样到30 Hz但保留可变长度，并用有效性掩码排除填充帧。
对齐不是把参考序列硬性拉伸到目标帧上，而是在学习到的运动空间里估计软对应，并把相位位移本身留作质量证据。 固定对齐与动态时间规整把对应关系当作独立预处理，无法按下游质量目标联合优化。 对齐权重由查询-键相似度减去一个相位位移项得到，该位移项是目标归一化相位与参考归一化相位之差的绝对值，其强度由softplus约束为非负并与网络联合学习；消融中移除参考对齐使QWK降到0.724、成对准确率降到74.9%，用DTW替换只恢复到0.758与77.2%。
空间执行偏差与时间相位偏差被分开表示，再与序数专家等级和人对偏好共同约束同一个潜在质量变量。 两类监督的标注形式不同，不能假定共享连续评分尺度，直接赋数值会引入无依据假设。 ImperialDance用两个有序阈值建模初级<中级<专家，CDRG用校准后潜在质量之差预测成对偏好；在CDRG受试者不重叠五折协议下，成对准确率为81.4%、Kendall τb为0.638，最强基线CTR-GCN + RankNet为76.8%与0.566。
启示与展望
评估覆盖AIST++的舞蹈类型识别、ImperialDance的编舞不重叠序数质量评估，以及CDRG-UNIMAS-TIKTOK的受试者不重叠成对排序；ImperialDance以对应编舞的专家示范作为参考，测试编舞未参与参数学习但其专家示范在评估时可用，因此属于未见编舞的参考引导评估。CDRG的参考只从训练受试者中选取并在该折固定。模型含384万参数、每样本21.2 GFLOPs、推理8.1毫秒、峰值显存618 MB，适合离线评估与交互式辅助训练。
三个数据集在舞种、采集环境、骨架来源与标注形式上差异较大，规范表示与共享质量公式只减少部分异质性，更广舞种、录制条件与表演者人群的验证仍待补充。CDRG的三维骨架由单目RGB视频重建，重建误差、遮挡与视角歧义可能影响偏差表示。数据集不提供帧级或关节级专家标注，定性可视化呈现的是模型学到的偏差响应，而非经过验证的专家错误定位。潜在质量变量表示相对排序而非绝对专业分数，在需要标准化数值评分的场景中解释受限。