一句话定义：动作迁移（Motion Transfer）就是把一段源视频里人物的动作，搬到另一个目标角色身上——这个角色可以是一张照片、一个虚拟形象，也可以是风格完全不同的卡通人物。
打个比方：它很像木偶戏。源视频里的人负责表演，系统只记录牵动木偶的那几根线怎么拉；木偶长什么样、穿什么衣服、什么材质，是另一套东西。真正被搬运的是"线怎么动"，不是"画面长什么样"。
大致三步走：
1. 姿态估计（Pose Estimation）：从源视频逐帧检测人体关键点（肩、肘、腕、髋、膝、踝，进阶还要手部和面部关键点），得到一串随时间变化的骨骼轨迹。
2. 动作重定向（Motion Retargeting）：把源骨骼的角度和位置映射到目标角色的骨架上。两者身高、腿长、关节活动范围往往差很远，得重新分配。
3. 渲染生成：以骨架为条件，驱动生成模型或三维角色把动作"画"出来。
为什么难点在骨骼：
- 深度歧义。单目视频里，手臂朝前伸和朝侧面伸，投影到画面上可能几乎重合，只靠二维坐标分不清。
- 遮挡。手放背后、两人交叉走过，关键点会直接丢失或跳到别处。
- 抖动与脚滑。逐帧估计天然有噪声，人脚踩地明明没动，关键点每帧漂一点，成品就"滑步"，一眼假。
- 尺度问题。让一个高个子的角度被一个矮胖角色照搬，手会穿模或者够不着。
- 分辨率取舍。手指和表情需要细节，全身结构需要全局一致，这两件事经常互相打架。
而画面那一层反而"宽容"得多：衣服、肤色、光影、笔触都可以重新生成，生成模型在这方面有很强的先验。骨架一旦错了，再漂亮的渲染也救不回来——误差是顺着链条往下游传的。
| 概念 | 搬的是什么 | 典型结果 |
|---|---|---|
| 动作迁移 | 骨骼与关节运动 | 目标角色做出同样动作 |
| 换脸（Face Swap） | 身份与五官 | 动作不变，脸变了 |
| 姿态估计 | 只提取骨骼 | 输出关键点，不改画面 |
| 动作生成 | 从文本、音乐造动作 | 没有源视频，凭空生成 |
对从业者的意义：骨骼是动作迁移真正的接口。效果不好时，排查顺序应该是关键点质量 → 重定向 → 渲染，而不是一上来就换更大的生成模型。
对普通人的意义：它让"一张照片跳热门舞蹈"变得触手可及，也让虚拟主播和动画制作省下大量手 K 帧的功夫。反过来，未经同意把别人的动作和面孔合成到别处，涉及明确的肖像权与深度伪造风险，各平台与各地法规要求不一，以官方页面为准。