该研究提出了一种新的框架，通过结构和视图标准化操作，将 3D 动作重定位任务从控制环境转移到野外场景。该方法利用在线视频进行非监督训练，不需要使用任何运动捕捉系统或 3D 重建程序，从 2D 视频中重定位身体动作到 3D 角色，具有高精度的 2D 到 3D 动作转换性能，并且产生的规范化骨架序列可用于人类运动的可解释表示。

Dec, 2021

本文介绍了一个基于神经网络的 MoDi 生成模型，它能够从一个极其丰富、无结构及没标签的数据集中无监督地训练生成高质量、多样化的动作，并能将真实动作转换成可编辑的空间，从而提供了一种新的高级应用。

Jun, 2022

使用元学习实现个性化无监督转化行为的普适解码器。

Oct, 2019

本文提出了一种基于注意力机制的网络来进行任意物体之间的动作传递，从源图像和驱动视频中提取外观信息并实现不同主体间的动作传递，通过交叉主体训练模型能更多角度、更真实的传递动作，实验表明该方法在各个领域内表现更好。

Jul, 2020

我们提出了一种无需训练的视频运动转移模型 (COMD)，通过将摄像机运动从源视频中分离并转移到新的视频中，实现了对摄像机运动的灵活控制。我们通过提出一种单次摄像机运动分离方法和少次摄像机运动分离方法，从单个源视频和多个具有相似摄像机运动的视频中提取摄像机运动。最后，我们提出了一种运动组合方法，将不同类型的摄像机运动结合起来，使我们的模型具有更加可控和灵活的摄像机控制。

Apr, 2024

该文提出了一种新的框架，通过训练一系列递归深度神经网络从 2D 姿势及其时间导数来生成人类形状、结构和外观的中间表示，从而解决了视频中松散的服装动态和细节的生成问题，实现了高保真的人类动作转移。

Dec, 2020

本文提出了一种数据驱动的运动风格转移框架，该框架学习来自带样式标签的不成对运动集合，并能够从视频直接提取运动风格进行转移。该框架还能够绕过 3D 重建并将其应用于 3D 输入运动，其中运动的内容和风格经过编码，分别在解码合成过程中起不同的作用。实验结果表明，该方法在不需要成对训练数据的情况下，其结果可与最先进的方法相媲美，并且在转移先前未见过的风格时优于其他方法。同时，该方法还是首次从视频到 3D 动画实现风格转移的研究。

May, 2020

本文提出了一个新的基于运动引导的循环一致性生成对抗网络，称为 Mocycle-GAN，该网络将运动估计集成到无配对视频翻译器中，可用于视频合成。通过对视频到标签和标签到视频的翻译进行广泛的实验，与最先进的方法相比，我们报告了卓越的结果。更明显地，我们定性地演示了我们的 Mocycle-GAN 在花朵和环境条件转移中的应用。

Aug, 2019

基于新的模型架构和风格解耦损失，我们提出了一种有效解决在不同内容的运动之间进行风格传递的问题的运动风格转换器，它能够将风格与内容有效分离，并生成具有传入风格的逼真运动。我们的方法在各方面表现优于现有方法，在不同内容的运动对中表现出特别高的质量，而无需启发式后处理。

Mar, 2024

提出一种适用于无监督运动再目标化的递归神经网络架构，并使用前向运动学层和循环一致性的对抗性训练目标来捕捉输入运动的高级特征。

Apr, 2018