Jan, 2023

人际互动生成的二分图扩散模型

PDF
TL;DR本文介绍了一种新的双分图扩散方法（BiGraphDiff），用于生成两个人之间的自然人体动作交互，通过模拟骨架节点之间的几何约束，利用基于 Transformer 的交互图扩散模型与先进的动作方法相结合。结果表明，该方法在人体交互生成任务的主要基准测试上实现了最新的最优结果。
natural human motion interactionscomputer visioncomputer animationdiffusion modelsbipartite graph diffusion
发现论文，激发创造
  • InterGen: 复杂交互下基于扩散的多人运动生成

    本文提出了一种有效的扩散性方法 InterGen，通过考虑人与人之间的交互并将其融入到运动扩散过程中，使普通用户只需使用文本指导即可自定义高质量的两人互动动作。

    Apr, 2023

  • 基于扩散概率模型的人 - 物交互的分层生成

    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

  • 人类运动扩散模型

    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

  • 具有空间约束扩散模型的人类感知三维场景生成

    通过扩展基于自回归的人体感知 3D 场景生成方法，本研究探索了扩散模型在同时考虑多个输入人体和底图的情况下生成逼真三维场景的潜力，并引入了人物物体碰撞避免和房间边界约束等空间碰撞导向机制来避免与人体动作冲突的场景生成。大量实验结果表明，与现有最先进方法相比，我们的框架可以生成更自然、更逼真的三维场景，具有精确的人体场景交互，并显著减少人物物体碰撞。

    Jun, 2024

  • 基于二分图推理的人体姿态和面部图像合成 GAN

    提出了一种新颖的双分图推理生成对抗网络，旨在模拟姿态与图像之间的关系，并通过部分感知的双分图推理块来实现全局结构的转换。通过三个公共数据集的实验证明了该方法的有效性。

    Nov, 2022

  • 随机运动预测的人体关节运动扩散细化

    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。

    Oct, 2022

  • 基于二分图推理的 GANs 用于人物图像生成

    本文提出了一种新型的双分图推理生成对抗网络（BiGraphGAN），用于生成具有挑战性的人物图像。该方法的关键是使用两个创新块来建立人物姿态之间的关联，分别是对姿态关系和对图像关系进行建模。实验证明，BiGraphGAN 在两个具有挑战性的公共数据集 Market-1501 和 DeepFashion 上均表现出了很好的效果。

    Aug, 2020

  • 随心所欲：具有层次语义图的运动扩散模型细粒度控制

    提出了一种利用分层语义图实现对人体运动生成的细粒度控制的方法，通过将运动描述分解成三个层次的语义图，从整体到局部的结构帮助全面理解运动描述和对运动生成进行细粒度控制，并对分解的文本到运动扩散过程进行了优化，通过修改分层语义图的边权重，实现了生成运动的持续细化，具有超过基准数据集 HumanML3D 和 KIT 的优越性能。

    Nov, 2023

  • 多样动作：通过离散扩散 实现多样人体动作生成

    DiverseMotion 是一种新的方法，通过保持运动多样性，在基于文本描述的高质量人体运动合成中为优先适应训练运动而牺牲动作多样性的现有方法提供解决方案。

    Sep, 2023

  • 利用扩散模型进行即时样式迁移的学习：一种语义引导方法

    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