Jun, 2018

利用循环神经网络和对抗训练进行人体动作合成与控制

PDF
TL;DR本研究提出了一种新的生成式深度学习网络，用于人体动作的合成和控制，通过结合循环神经网络（RNN）和对抗训练来进行优化。研究表明，该模型可以高效地生成自然流畅的动作序列，并通过各种比较与实验，证明其卓越性能和有效性。
发现论文，激发创造
  • 基于循环神经网络的人体动作预测

    本文旨在研究人体运动建模领域的前沿研究，特别关注基于深度递归神经网络的研究成果，对当前问题的评价方法进行了调查，在研究现有的体系结构、代价函数和训练程序时，提出了三点标准改进措施，取得了最新技术的突破性进展。

    May, 2017

  • 自动调节的循环网络用于复杂人体运动合成的扩展

    使用自回归噪声的自条件递归神经网络 (acRNN) 的实时合成高度复杂的人体动作的方法。此方法为首次可以合成超过 18,000 个连续帧 (300 秒) 不同风格的人体运动。

    Jul, 2017

  • 使用具有类别感知鉴别器的基于 GAN 的交互式动作合成模型用于人际交互

    该论文提出了一个半监督 GAN 系统，用于合成一个角色的反应动作，给定来自另一个角色的活动动作。通过使用基于部分的 LSTM 模块和判别器来实现对复杂的时空信息和不同类型交互的监督，证明了该系统的有效性和鉴别性。

    Oct, 2021

  • C-RNN-GAN: 连续的递归神经网络与对抗性训练

    提出了一种基于生成对抗网络的模型，可以高效地训练连续的序列数据，通过在古典音乐集合上训练该模型来生成音乐，发现音乐的质量随着模型的训练不断提高，并提供了生成音乐的统计数据，通过下载生成的歌曲来评估其质量。

    Nov, 2016

  • 使用深度循环神经网络学习人体全身运动与自然语言之间的双向映射

    该研究提出了一种使用深度循环神经网络和序列到序列学习学习人体全身运动和自然语言之间双向映射的生成模型，该模型不需要分割或手动特征工程，并学习分布式表示，其结构可以生成逼真的动作或描述.

    May, 2017

  • 社交 GAN：具有生成对抗网络的社交可接受行迹

    通过将序列预测和生成对抗网络的工具相结合，我们成功地解决了自动移动平台中的人体运动行为预测问题，并在准确性，多样性，碰撞避免和计算复杂性方面胜过了以往的工作。

    Mar, 2018

  • 通过对抗性模仿从动作捕捉学习人类行为

    本文介绍应用生成对抗性模仿学习方法，通过有限的高维仿人体运动演示数据，训练神经网络策略以产生类人的运动模式，并利用该方法构建子技能策略解决高维身体姿态控制任务。

    Jul, 2017

  • 基于对抗生成图卷积网络的人类动作合成

    本文提出一种名为 Kinetic-GAN 的生成对抗网络结构，利用生成对抗网络和图卷积网络综合分析人体动力学的时空动态，可以在本地和整体身体运动中对多达 120 个不同动作进行调整，从而提高样本质量和多样性，并通过潜在空间解缠和随机变化，能够合成大量的不同动作序列，超越了已有的方法。

    Oct, 2021

  • 学习跳舞：一种图卷积对抗网络，从音频中生成逼真的舞蹈动作

    本文利用基于图形卷积网络的新方法，通过学习技术从音频信息中自动生成舞蹈，结果显示这种方法在产生自然运动方面优于现有方法。

    Nov, 2020

  • 基于循环神经网络集成的实时交互式序列生成和控制

    我们提出了一种实时连续控制和 “掌控” 序列生成的方法，使用一组循环神经网络和动态改变模型混合权重，并使用基于字符的长短时记忆网络和手势界面演示了该方法。

    Dec, 2016