本文介绍了 Multi-modal Multiple Appropriate Facial Reaction Generation Challenge（REACT2023）以及其目的、数据集和基准系统的性能表现。

Jun, 2023

本文提出了一种名为 ReactFace 的新框架，通过学习代表多种适当面部反应的面部反应分布，并将生成的面部反应与说话者的语言和非语言行为同步，生成多个不同但适当的逼真的人类面部反应序列。

May, 2023

本文提出了第一个多恰当面部反应生成框架，通过将一对多映射面部反应生成问题重新转换为一个对一个映射问题，提出适当的面部反应分布学习策略，利用新颖的可逆多维边缘图神经网络 (REGNN) 解码恰当的面部反应，实验结果表明，利用该方法生成的面部反应更为恰当、逼真和同步

May, 2023

该论文提出了首个多模态人类反应生成框架，可以生成适当和真实的人类风格反应，用于回应用户行为，适用于各种人机交互场景和虚拟代理 / 机器人行为。

Jul, 2023

MM-REACT 是一种系统范例，将 ChatGPT 与一组视觉专家集成在一起，以实现多模态推理和动作，并引入了文本提示设计，以表示文本描述、已文本化的空间坐标和对齐的文件名来处理多模态信息。

Mar, 2023

该论文主要介绍了 2020 年 ACL 会议上举办的 EmotionGIF2020 比赛及其数据集（包含 40,000 条带有反应表情的推文），旨在预测用户对于在线文本的情感反应，并评估了参赛队伍的表现，获胜队伍再 Recall@K 指标下的得分为 62.47%。

Feb, 2021

提出了一种异步、动态、同步和详细的人 - 人互动综合基准方法，利用 ReGenNet 模型和 Transformer 解码器体系结构生成人的反应，结果显示我们的方法可以产生即时且可信的人的反应。

Mar, 2024

Face2Face 是一种用于实时面部复刻的创新方法，可以通过非刚性基于模型的束缚，跟踪面部表情，实现来自单眼录制的目标视频序列的面部表情的动画化，并以逼真的方式重新渲染操作后的输出视频。

Jul, 2020

本文提出了一种名为 Dyadic Residual-Attention Model（DRAM）的神经网络结构，通过选择性注意力整合单向和双向动态，以生成人物姿势序列，从而改善虚拟代表（avatar）的远程存在感，进而在双向交流中展现出更自然的人物姿势，并进行实验验证和用户研究，证实该模型在预测 avatar 姿势方面比非自适应的单向 / 双向模型更有效，更逼真。

Oct, 2019

我们提出了一种名为在线全身动作反应合成的新任务，该任务是基于人类行为者的动作生成机器人反应。我们构建了两个数据集，分别命名为 HHI 和 CoChair，并提出了一种统一的方法，通过构建社交能力表示，预测反应的未来情景，并验证了在现有人类互动数据集 Interhuman 和 Chi3D 上的有效性。

Dec, 2023