步态功能的恢复需要在康复过程中捕捉到有意义的步态变化，但精确的 3D 测量仍局限于专业的动作捕捉实验室。小型摄像头阵列和佩戴式惯性传感器可以降低门槛，却因关节和时间上的可靠性差异，使得传感失效被误判为患者的真实变化。为此我们提出 GaitVista，一个可靠性感知的测量层。该层通过轻量化的门控机制，为每个关节‑帧分配视觉贡献度，依据四个因素：摄像头覆盖率、局部视觉质量、跨模态不一致性以及根运动连续性，并将这些权重暴露给用户检查。
在 TotalCapture 数据集上，我们在七种干净与受损的感知条件下测试 GaitVista。结果显示，整体身体误差和下肢误差分别降低 27.7% 与 27.8%，在所有融合方法中实现最小的最坏条件误差。相较于不考虑条件的基线方法，误差从 $2.76$–$5.33$ cm 缩小至 $1.11$ cm，接近关节‑帧理想解。进一步在 MoVi 数据集上使用图像推导的关键点进行评估，GaitVista 成为唯一在两条单模态流上均能提升的可部署融合方法，标记支持的误差比最强学习融合基线降低 6.4%。在 TotalCapture 上，双侧膝关节屈曲波形的准确度提升 18.9%。
原始惯性测量数据显示，五位参与者的传感器受到位置和时间变化的磁干扰，这为我们设计的可靠性假设提供了实证。需要注意的是，两套基准均使用神经健康的受试者，在受控环境下进行，并保留了受试者特定的 IMU 校准。因此本文报告的是向可及步态评估迈进的技术进展，而非已验证的临床部署。
点评：GaitVista 通过显式建模视觉可靠性，实现了在多模态融合中的显著误差削减，为低成本步态监测提供了可解释的技术路径，后续可进一步在真实临床环境中验证其鲁棒性。