主要观点：

• 观察到计算机视觉和图形学领域在动画研究方法上的差异，如SIGGRAPH的评审较严格，视觉社区在推进新模型时忽略结果问题等，且这些差异在动画质量问题上尤为突出，因此有必要深入研究该主题。
• 高质量动画数据应作为目标，但其也有局限性，如在评估方法时，数据质量像测量设备的灵敏度，差异过小时难以可靠评估。同时探讨了高质量动画数据在捕获、存储和生成时所需的精度等基本事实。
• 从时间分辨率和数值精度两方面分析了动画数据，指出60Hz是保留数据时间信息的最低频率，局部关节旋转需至少五位或六位小数的数值精度，否则会产生可见误差。
• 介绍了社区中其他数据集的问题，如AMASS等数据集存在关节旋转定位误差、脚部穿透地板、缺失手部等动作、数据中有噪声和抖动等，这些问题影响神经网络训练，且难以区分方法自身产生的动画伪影和训练数据中的伪影。
• 对混合数据的训练方式持怀疑态度，认为将低质量和高质量数据混合训练可能效果不佳，容易产生误差积累和传播，影响对方法和架构差异的评估。
• 回顾10年前SIGGRAPH的论文，发现其在纯动画质量方面优于现在的一些深度学习方法，强调不应忽视动画质量。
• 提出提高动画质量的措施，如行业应分享数据和过程，学术世界应在奖励创新的同时确保结果与行业相关，不应回避动画质量的讨论。
• 从哲学角度思考，当前技术世界的变化导致追求低质量、高 engagement 的内容，而人们实际上更想要高质量的内容，应注重自身生产高质量内容并奖励他人。

关键信息：

• 不同领域对动画的研究差异及动画质量问题的重要性。
• 高质量动画数据的特点及相关精度要求。
• 社区中其他数据集的具体问题。
• 混合数据训练的潜在问题。
• 回顾10年前的SIGGRAPH论文及与现在方法的对比。
• 提高动画质量的举措。

重要细节：

• 以Motorica Dance Dataset等为例展示高质量动画数据的细节，如采样频率、关节动作等。
• 详细分析时间分辨率相关的信号变化，如不同频率下的肩旋转、速度和加速度等。
• 举例说明数值精度对动画的影响，如四元数浮点值精度对角色姿势的影响。
• 指出AMASS等数据集的具体问题，如休息姿势误差、脚部穿透地板等。
• 展示混合低质量和高质量数据训练的实验及结果。
• 列举10年前SIGGRAPH的相关论文及它们在动画质量方面的表现。
• 介绍为提高动画质量所做的具体工作，如皮肤角色、重新解决数据集等。