提出了一种新的框架 ODMO，用于仅以动作类型为条件生成逼真且多样化的长期 3D 人体运动序列，并具有自定义功能。该编码器使用对比学习来创建运动序列的分层嵌入，解码器使用分层解码策略，使得整个运动序列的木乃伊能够被重构，从而实现了有效的运动轨迹控制，从而实现了首个模式发现、插值和轨迹自定义等自定义功能，该代码在 Github 页面上发布。
Jul, 2022
本文引入了 Motion Diffusion Model（MDM），这是一种经过精心设计的无分类器扩散生成模型，适用于人体运动领域，并在文本转运动和动作转运动的领先基准测试中实现了最先进的结果。
Sep, 2022
本文中提出了一种统一的深度生成网络，用于多样化和可控的人体运动预测，该网络基于正则化流姿势先验和关节角损失函数，能够有效地提高模型的准确性和样本多样性。
Aug, 2021
本研究使用生成对抗网络（GANs）提出一种新颖的人体运动建模生成模型，通过每个时间尺度的密集验证和扰动鉴别器输入来实现运动生成与完成，并在 Human 3.6M 和 CMU 运动捕捉数据集上进行了评估。
Apr, 2018
提出了一种新方法，通过 hieraechical generation framework 来生成 3D 运动，以解决生成多样且长距离运动的挑战，并且在 NSM、COUCH 和 SAMP 数据集上的实验证明该方法在质量和多样性方面优于以前的方法。
Oct, 2023
该论文提出了一种基于扩散的随机人体运动预测框架 DiffMotion，旨在预测未来的姿势序列，并通过使用多阶段图卷积网络和方差调度器，使预测结果准确、逼真、一致，同时在准确度和保真度方面明显优于先前的方法，并通过基准数据集展现了强大的鲁棒性。
May, 2023
本文提出了一种基于去噪扩散的新框架，通过训练一个运动扩散模型来生成运动，然后通过去噪过程实现在观察到的运动条件下进行运动预测，并在现实任务中有效地实现了不同类别运动的切换，取得了良好的算法性能和结果。
Feb, 2023
本文提出了一种基于控制参数的人体运动预测任务形式，使用复合 GAN 结构，包括不同身体部位的局部 GAN 和通过全局 GAN 聚合的，以便进行跨活动类型的可操作运动预测，本方法优于现有的最先进方法。
Mar, 2021
该论文提出了一种新型的人类运动预测任务，针对多人运动、社交交互和关节运动的复杂性，提出了一种模型框架，通过引入可学习的潜在编码来表示未来动作的意图来实现不同层次的独立个体运动和社交交互建模，在多个数据集上得到了显著的多人预测结果，表现显著优于现有技术水平。
Jun, 2023
人体运动预测是高效和安全的人机协作的重要步骤。我们提出了一种新颖的人体运动预测框架，该框架在高斯过程回归模型中结合了人体关节约束和场景约束，以在一定时间范围内预测人体运动。该框架还结合了在线上下文感知约束模型来利用任务相关的运动，并在人机协作设置中使用 UR5 机器人手臂实现了实时性能。模拟和实验结果表明，当明确考虑这些约束条件时，高斯过程框架的性能得到了显著改善。