Es klingt nach einer dieser Ankündigungen, die zu schön sind, um wahr zu sein: Ein paar iPhones aufstellen, zwei Tänzer filmen, die sich eng umschlingen – und am Ende steht eine 3D-Animation, die so präzise ist wie die Arbeit eines Hollywood-Studios mit Millionenbudget. Doch genau das haben Forschende des Max-Planck-Instituts für Intelligente Systeme und der Carnegie Mellon University geschafft. Ihre Technik trägt den Namen Mamma – Markerless Accurate Multi-person Motion Acquisition – und sie könnte die Spielregeln in einer ganzen Reihe von Branchen neu schreiben.
Jahrzehntelang war der Goldstandard für Motion Capture ein aufwendiger Prozess: Schauspieler schlüpften in hautenge Anzüge mit reflektierenden Markern, die von speziellen Kameras in teuren Studios erfasst wurden. Die Macher von Blockbustern wie „Avatar" oder „Der Herr der Ringe" investierten Millionen in diese Technik. Doch das System hatte seine Tücken. Marker mussten manuell platziert werden, konnten abfallen, und sobald sich zwei Personen zu nahe kamen – bei einer Umarmung, beim Tanzen, beim Kampf –, verdeckten sie sich gegenseitig. Die Genauigkeit brach ein, umfangreiche manuelle Nachbearbeitung war nötig.
Kommerzielle markerfreie Systeme existieren zwar, doch sie galten bislang als teuer und weniger präzise als die Marker-basierten Verfahren. Das war der Ausgangspunkt für das Team um Hanz Cuevas Velasquez, wissenschaftlicher Mitarbeiter in der Abteilung für Perzeptive Systeme am Max-Planck-Institut. Die Forschenden wollten ein System schaffen, das die gleichen Ergebnisse liefert wie die Marker-Anzüge – aber ohne deren Nachteile. Und sie gingen noch einen Schritt weiter: Sie lösten das Problem eng zusammenstehender oder tanzender Menschen.
Wie funktioniert Mamma?
Das System verarbeitet Videomaterial mehrerer Kameras, die aus unterschiedlichen Perspektiven filmen. Mamma schätzt virtuelle Marker in all diesen Kameraansichten und passt anschließend ein menschliches Körpermodell – SMPL-X – an die künstlichen Marker an. Auf diese Weise „sieht" das System 512 virtuelle Tracking-Punkte direkt auf der Haut der Personen. Die Technik kann zudem Posen wiedergeben, die sie während des Trainings noch nie gesehen hat – ein entscheidender Vorteil gegenüber früheren Versuchen markerloser Erfassung.
Die Präzision ist bemerkenswert. „Der Unterschied zwischen unserer Technik und Systemen auf Basis von Anzügen und Markern beträgt weniger als einen Millimeter. Mamma aber kann die Daten dreimal schneller verarbeiten, als wenn ein Schauspieler einen Marker-Anzug trägt und die Daten dann übertragen werden. Das System funktioniert sogar mit normalen Smartphones wie zum Beispiel mehreren iPhones", erklärt Cuevas Velasquez. Karate-Kämpfer, Ringer oder Salsa-Tänzer – die digitalen Avatare wirken fast so realistisch wie ihre menschlichen Vorbilder.
Was bedeutet das für die Branchen?
Die Auswirkungen könnten tiefgreifend sein. In der Medizin und Physiotherapie etwa lässt sich das System zur Erfassung von Patientenbewegungen einsetzen – ohne störende Marker, in natürlicheren Umgebungen statt im Labor. Anastasios Yiannakidis, Ingenieur am Institut, hebt genau diesen Vorteil hervor: Die Patienten werden wesentlich weniger gestört.
Sporttrainer könnten während des Trainings die Form und Technik mehrerer Athleten gleichzeitig analysieren, ohne deren Bewegungen durch sperrige Ausrüstung zu beeinträchtigen. Die präzise Rekonstruktion von Körperform, Haltung und Händen ermöglicht lebensechte digitale Avatare für soziale Virtual-Reality-Umgebungen – virtuelle Interaktionen würden menschlicher und ausdrucksstärker.
Doch die vielleicht dramatischsten Veränderungen stehen der Spiele- und Filmindustrie bevor. „Mamma ist in vielerlei Hinsicht bahnbrechend. Es ermöglicht Spieleentwicklern, realistische, kontaktreiche Animationen wie Ringen oder Tanzen aufzunehmen, ohne den Aufwand eines riesigen Motion-Capture-Studios. Dank unserer Technologie können auch kleinere, unabhängige Studios und Forschungsteams Avatar-Bewegungen erstellen, die genauso ausgefeilt wirken wie in Blockbustern mit großem Budget", sagt Tsvetelina Alexiadis, Leiterin des Datenteams der Abteilung und Mitautorin der Studie.
Genau hier liegt der entscheidende Punkt: Demokratisierung. Bislang war hochwertige Motion-Capture-Technologie das Privileg großer Studios mit entsprechenden Budgets. Ein spezialisiertes Studio, teure Kamerasysteme, geschultes Personal – die Eintrittshürden waren hoch. Mamma senkt diese Barrieren drastisch. Indie-Spieleentwickler, kleine Animationsstudios, Forschungsteams mit begrenzten Mitteln – sie alle bekommen Zugang zu einer Qualität, die bisher unerreichbar war.
Open Source als Katalysator
Das Team hat Mamma als Open Source veröffentlicht. Diese Entscheidung ist strategisch: Die Forschenden hoffen, eine neue Innovationswelle bei der Erfassung von Bewegungen mehrerer Personen anzustoßen. Wenn Entwickler weltweit auf den Code zugreifen, ihn weiterentwickeln und anpassen können, entsteht ein Ökosystem, das die Technologie schneller vorantreibt als ein kommerzielles, geschlossenes System es je könnte.
Die Forschungsergebnisse wurden auf der CVPR-2026-Konferenz vorgestellt. CVPR gilt als eine der wichtigsten Konferenzen im Bereich Computer Vision – wer dort präsentiert, hat bereits die Aufmerksamkeit der Fachwelt. Doch die eigentliche Bewährungsprobe steht noch bevor: Wird die Technologie in der Praxis halten, was sie im Labor verspricht? Werden Studios tatsächlich auf Mamma setzen, oder bleiben sie bei bewährten Marker-Systemen?
Die Antworten werden nicht lange auf sich warten lassen. Denn wenn ein System tatsächlich dreimal schneller arbeitet, weniger als einen Millimeter Abweichung produziert und mit handelsüblichen Smartphones funktioniert, dann sprechen die Zahlen eine klare Sprache. Die Frage ist nicht mehr, ob markerlose Motion Capture sich durchsetzt. Die Frage ist, wie schnell die Industrie bereit ist, umzudenken.
