AAAIOct, 2022

随机运动预测的人体关节运动扩散细化

PDF
TL;DR该研究提出了一种名为 MotionDiff 的扩散概率模型，将人体运动的运动学视为受热的粒子，其自原始状态扩散到噪声分布。该方法通过一种自然的方式获取了 “白化” 的潜在变量，而无需任何可训练参数，证明 MotionDiff 模型在两种数据集上具有竞争力的准确性和多样性表现。
stochastic human motion predictiondiffusion probabilistic modeldiverse plausible motionsdiffusion processgraph convolutional network
发现论文，激发创造
  • 基于运动扩散的全局一致随机人体动作预测

    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

  • 利用去噪扩散概率模型统一人类动作合成和风格传递

    本文提出了一种针对数字人运动合成的解决方案，使用 Denoising Diffusion Probabilistic Model 中的扩散模型和多任务架构来表示不同类别的动作内容和不同内部类别行为的样式，并使用对抗性和物理规则来实现全局引导。实验结果表明，该方法能够产生高质量、逼真的人体运动，并有效验证了多任务架构的有效性。

    Dec, 2022

  • MotionDiffuser：可控的基于扩散的多智能体运动预测

    本文提出了 MotionDiffuser 模型，其能够学习多个交通参与者之间联合分布的多模态表示，在实现高效计算精确样本概率的前提下，提出了一种压缩轨迹表示以提高模型性能，并结合约束抽样框架，以应用于强制束缚和创造定制化模拟场景等应用，最终在 Waymo 数据集上实现了最先进的多代理运动预测结果。

    Jun, 2023

  • 通过运动不确定性扩散进行随机轨迹预测

    本研究提出了一种基于马尔科夫链和 Transformer 的运动不确定性扩散逆向建模框架，通过逐步放弃不可行走区域的不确定性直至到达期望轨迹，用于解决行人轨迹预测中的多模态问题，并取得了在 Stanford Drone 和 ETH/UCY 数据集上的优异表现。

    Mar, 2022

  • 我们能否使用扩散概率模型进行三维运动预测？

    本研究评估了扩散概率模型在 3D 人体运动预测任务中的潜力。通过对人类 3.6M 和 HumanEva-I 数据集的研究，我们发现扩散概率模型可以在单个（确定性）和多个（随机性）3D 运动预测任务中具有竞争力，并且可以在单个训练过程完成后达到一个合理的预测结果，同时平衡对预测结果的可能性和多样性的需求。

    Feb, 2023

  • DiffPose：基于视频的人体姿势估计的时空扩散模型

    DiffPose 是一种新颖的扩展扩散模型，将基于视频的人体姿势估计作为条件热图生成问题，并通过多组姿势估计的结合以及迭代步骤的调整来提高预测准确性，成功地在 PoseTrack2017、PoseTrack2018 和 PoseTrack21 三个基准测试上取得了新的最佳结果。

    Jul, 2023

  • MotionMix：无监督扩散生成可控运动

    Controllable generation of 3D human motions using MotionMix, a weakly-supervised diffusion model, achieves state-of-the-art performances on text-to-motion, action-to-motion, and music-to-dance tasks.

    Jan, 2024

  • 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

  • 使用自回归扩散模型的可控运动合成和重建

    该研究介绍了 MoDiff，它是一个基于自回归概率扩散模型的运动序列生成模型，其结合了跨模式 Transformer 编码器和基于 Transformer 的解码器，以生成控制时序依赖性的动作。该模型在运动合成方面表现优异，并通过数据丢弃方法来提高数据表示和运动合成的鲁棒性。

    Apr, 2023

  • TransFusion: 一种实用有效的基于 Transformer 的扩散模型，用于 3D 人体动作预测

    TransFusion 是一种基于扩散的 3D 人体动作预测模型，它能够生成更有可能发生的样本并保持一定程度的多样性，通过使用 Transformer 作为骨干，以及在浅层和深层之间使用长跳连接和离散余弦变换来建模运动序列，改善性能，并与使用额外模块的先前基于扩散的模型相比，我们将所有输入（包括条件）都视为令牌，创造出比现有方法更精简的模型。我们对基准数据集进行了广泛的实验研究，以验证我们的人体动作预测模型的有效性。

    Jul, 2023