시공간 토크나이제이션
디퓨전 백본에서 추출한 중간 피쳐를 공간적 위치, 시간 위치, 그리고 카메라 레이 공간 인코딩을 더한 토큰으로 변환하는 절차이다. 토큰은 디코더가 프레임 간 정렬·관절 위치·카메라 다양성을 처리할 수 있게 해주며, 손·관절을 분리된 신호 축으로 읽어내는 기반이 된다. 논문에서는 이 토크나이제이션을 통해 단일 디코더로 이질적 증거를 병렬로 처리했다.