基于扩散概率模型的人 - 物交互的分层生成
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
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
提出了一种基于强化学习的方法来处理 3D 室内场景中虚拟人类与环境以及物体的交互,包括生成运动模型、创新的碰撞回避奖励函数、基于标记体和半径场的交互感知奖励函数以及训练策略等多个方面,实验结果表明,该方法在运动的自然性和多样性方面都优于现有的人 - 场景交互综合框架。
May, 2023
提出了一种基于概率框架生成角色动画的方法,该方法基于弱控制信号生成逼真的动作序列,并保留人类运动的随机性。所提出的层次循环模型映射每个子序列的运动到一个随机潜变量代码,使用在时间领域上扩展的变分自动编码器。同时,提出一个考虑每个关节对姿势产生影响的目标函数,并基于角度距离比较关节角度。打造两个新的定量协议和人类定性评估,证明算法能够生成具有说服力和多样性的周期性和非周期性运动序列,而不需要强控制信号。
Oct, 2020
本文针对现有智能场景下的动作合成技术存在的目标、位置预定及动作多样性不足等问题,提出了一种基于多样性因素的分层框架方法,以提高人类动作合成的自然度与多样性。实验表明,该框架在场景感知的人类动作合成中具有很好的效果。
May, 2022
本文提出一种层次生成框架,通过优化多个几何约束和建模场景互动和应用来合成涉及长期 3D 人体动作的逼真生成,并在实验中得出了比之前更好的实验结果。
Dec, 2020
该论文提出了一种新型的人类运动预测任务,针对多人运动、社交交互和关节运动的复杂性,提出了一种模型框架,通过引入可学习的潜在编码来表示未来动作的意图来实现不同层次的独立个体运动和社交交互建模,在多个数据集上得到了显著的多人预测结果,表现显著优于现有技术水平。
Jun, 2023
提出了一种基于生成模型的新的 out-of-distribution (OoD) 基准,用于预测人类运动,并且这种方法能够有效地提高模型的鲁棒性和可解释性。
Oct, 2020
在这项工作中,我们提出了一种名为 Controllable Human-Object Interaction Synthesis (CHOIS) 的方法,它利用语言描述、初始物体和人体状态以及稀疏的物体路点同时生成物体运动和人体动作,通过引入物体几何损失和设计指导项来提高生成的物体运动和输入物体路点之间的匹配,并确保与地板接触的精确手 - 物体接触和适当接触的真实性。
Dec, 2023