本研究提出了一种基于神经网络的端到端模型，可在用户控制下实时生成和转换不同风格的运动，无需手工制作的相位特征，在游戏系统中易于训练和部署，并从实验三个方面，即准确性，灵活性和多样性进行了评估，表现出令人满意的结果。

Mar, 2022

本文提出了一种基于深度神经网络的算法，通过将图像的语义有意义的本地区域的艺术风格转移至目标视频的本地区域，同时保持其照片般的逼真性，并通过噪声和时间损失来优化视频的语义标签和平滑转换风格，最终实现一种能够自动生成视觉媒体的风格迁移方法。

Oct, 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

我们提出了一种基于扩散模型的即时人体运动风格转移学习方法，通过几分钟的微调学习，可以将未知的风格转移到不同的内容运动中，且仅需要一个风格示例和以中立运动为主的文本到运动数据集（例如 HumanML3D）。

Mar, 2024

本文提出使用实时样式化运动转换方法 (RSMT) 在满足速度、质量、多样性和可控性的要求下，生成在线样式化运动，其核心在于提出了一个运动流形模型和样式运动采样器，可以分别对不同数据集进行单独训练和综合评估.

Jun, 2023

该研究论文提出了一种针对在线动画应用的高效灵活的运动风格转移方法，使用一种新的样式转移模型：Style-ERD，该模型具有 Encoder-Recurrent-Decoder 结构和新的关注机制，可以将动作样式化成多个目标样式。相较于离线处理方法，该方法在运动真实感、样式表现力以及运行时效率方面都有显着提高。

Mar, 2022

本文提出了一种自我监督的方法来生成多样且自然的人体动作，通过分解生成任务并使用记忆库检索动作引用作为短程片段生成的源材料，并通过参数化的双向插值方案保证了生成运动的物理合理性和视觉自然性。在大规模的骨架数据集上，我们展示了这个方法在生成长距离、多样化和合理化运动方面的能力，并且这种方法能够适应未见数据，在动态世界中这种生成的序列有实实在在的效果。

Aug, 2020

该研究提出了一种生成式动作风格化流程，利用跨模态风格提示在跨结构角色上合成多样化和风格化的动作。通过将动作风格嵌入跨模态潜空间并感知跨结构骨架拓扑，该方法在标准动作空间内实现动作风格化。通过定性和定量实验，证明了该流程在各种角色和风格描述中的灵活性和通用性，一致提供高质量的风格化动作。

Mar, 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

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