回到 MLP：人体动作预测的简单基线

Jul, 2022

回到 MLP：人体动作预测的简单基线

Back to MLP: A Simple Baseline for Human Motion Prediction

Wen Guo, Yuming Du, Xi Shen, Vincent Lepetit, Xavier Alameda-Pineda...

TL;DR本研究提出了一种轻量级的人体运动预测网络 “siMLPe”，结合了多层感知器、离散余弦变换、关节残差位移预测和速度辅助损失优化等简单方法，且具有仅有 0.14 万个参数和超过三个基准数据集的卓越表现，成为该领域的强基准。

Abstract

This paper tackles the problem of human motion prediction, consisting in forecasting future body poses from historically observed sequences. State-of-the-art approaches provide good results, however, they rely on deep learning architectures of arbitrary complexity, such as Recurrent Ne

human motion prediction multi-layer perceptrons discrete cosine transform velocity optimization state-of-the-art performance

发现论文，激发创造

MotionMixer: 基于 MLP 的三维人体姿态预测

本文提出了 MotionMixer，这是一种高效的三维人体姿势预测模型，完全基于多层感知器。通过顺序混合两种模态，MotionMixer 学习了空间 - 时间三维身体姿势之间的依赖关系。通过使用 squeeze-and-excitation (SE) 块来校准姿势序列中每个时间步的影响，我们在 Human3.6M、AMASS 和 3DPW 数据集上使用标准评估协议评估了我们的方法，并展示了最先进的性能。

Jul, 2022

学习运动轨迹依赖关系进行人体动作预测

本文提出了一种基于前馈深度网络的预测人体运动的方法，通过在运动轨迹空间而非传统的姿态空间中编码时间信息，同时使用通用的图卷积网络自动学习人体姿势的空间依赖关系，从而实现了超越以往人体运动预测方法的性能。

Aug, 2019

逐步生成更好的初始猜测以实现高质量的人体运动预测

介绍了一种基于多级设计的人体运动预测方法，结合了空间和时间两个因素，通过两个网络，以预测一个好的猜测值为基础，有效提高了预测的精度。该方法在多项实验数据中胜出并实现了超过前人方法 6-16% 的提升。

Mar, 2022

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

历史重演：基于动作注意力的人体动作预测

通过引入基于注意力机制的前馈神经网络模型，提取了历史运动细节的相似性，建模了运动模式，并在人类行为数据集上实现了最先进的人体运动预测效果。

Jul, 2020

单人动作预测的简单基线

本文提出了一种简单且有效的单人运动预测模型，在不使用视觉和社交信息的情况下，通过有用的训练技巧取得了很好的效果，该方法在 SoMoF 基准测试上表现非常优越，为未来研究提供了新的思路。

Oct, 2021

人体运动预测的多层动作注意力

介绍了一种基于注意力机制的前馈神经网络，利用运动的重复性和历史上下文进行运动预测，通过图卷积网络对历史数据的运动模式进行有效利用，取得了三个数据集上最先进的结果。

Jun, 2021

基于骨骼的人体动作预测中的代码片段到动作过程学习

现有的图卷积网络在实现人体动作预测时，大多采用一步方案，直接从历史输入中输出预测结果，未能充分利用人体运动模式。我们观察到人体运动具有过渡模式，并且可以分解为代表每个过渡的片段。我们提出了一种片段到运动的多阶段框架，将运动预测分解为更容易完成的子任务。每个子任务集成了三个模块：过渡姿势预测、片段重建和片段到运动的预测。具体而言，我们首先预测只有过渡姿势，然后使用它们重建相应的片段，得到接近真实运动序列的近似结果。最后，我们对其进行细化，生成最终的预测输出。为了实现网络，我们提出了一种新颖的统一图建模方法，相比于现有方法依赖于分离的时空建模，可以直接有效地传播特征。对 Human 3.6M、CMU Mocap 和 3DPW 数据集进行了大量实验证明了我们的方法的有效性，其达到了最先进的性能。

Jul, 2023

生成平滑的姿势序列以进行多样化的人体动作预测

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

我们不仅仅是我们的关节：预测 3D 身体如何运动

本文提出了一种基于稀疏表面标记预测人体运动的方法，通过 MOJO 模型生成高频成分的动画，使用 SMPL-X 模型保证解决方案符合身体的真实形态，并取得了最先进的结果。

Dec, 2020