人类动作合成的计算编舞
本文提出了一种基于时间卷积和 LSTM 的新型生成运动模型 (TC-LSTM)，并引入了特定的控制信号即舞蹈旋律线，以提高控制可控性，成功地实现了多种舞蹈类型的艺术舞蹈动作合成，性能优于现有方法。
Jun, 2020
该论文提出了一种基于自回归生成模型的新方法 DanceNet，以音乐的风格、节奏和旋律为控制信号生成具有高度真实感和多样性的 3D 舞蹈动作，并通过专业舞者捕捉了多组同步的音乐舞蹈配对数据集以提高模型性能，实验结果表明所提出的方法达到了最先进的效果。
Feb, 2020
通过深度学习和基于运动捕捉数据的神经网络，我们实现了一套名为 Chor-rnn 的系统，它可以模仿独立编舞者的舞蹈风格，生成新的独舞编排，具有更高的组合连贯性，可用于人机协作编舞或成为编舞灵感的创意催化剂。
May, 2016
本研究提出了一种基于弱监督深度循环方法的，使用音频功率谱作为输入的基础舞蹈生成模型，采用卷积层和多层 LSTM 处理音频输入，并利用对比代价函数调节音乐和舞蹈节拍之间的映射，同时从舞蹈节拍生成弱标签进行模型训练，实验结果表明，该模型可以在小数据集上生成基础舞蹈步伐，并且保持与基准舞者类似的 F - 分数。
Jul, 2018
本研究旨在设计一种模仿人类编舞过程的两阶段音乐到舞蹈合成框架 ChoreoNet，通过构建数据集并设计 CAU 预测模型和一个时间空间修补模型，实现音乐到舞蹈的合成，并通过用户研究评估该方法的性能。
Sep, 2020
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
本文提出了一种新框架，将场景和人体运动相互作用考虑在内，使用生成任务将人体运动的分布因子分解，并使用基于 GAN 的学习方法来提高其有效性。文中讨论了两个数据集结果，涵盖了真实和合成环境。
May, 2021
使用特殊的神经网络，将 Social Force Model 嵌入结构，提高人类运动的预测精度和安全性，解释可行，且具有广阔的应用前景和实验支撑。
Jun, 2020