该研究提出了一种生成式动作风格化流程，利用跨模态风格提示在跨结构角色上合成多样化和风格化的动作。通过将动作风格嵌入跨模态潜空间并感知跨结构骨架拓扑，该方法在标准动作空间内实现动作风格化。通过定性和定量实验，证明了该流程在各种角色和风格描述中的灵活性和通用性，一致提供高质量的风格化动作。

Mar, 2024

本文提出了一种使用预训练图像 GAN 模型分解视频中动作的新方法，通过发现神经网络的深层潜在空间中语义上有意义的因子，实现运动解缠。作者对面部和汽车数据集进行了广泛的评估，并展示了对于运动编辑和选择性运动转移（仅转移面部表情）等多种下游任务的结果。

Jun, 2023

利用深度学习方法实现人到机器人动作重定向，无需人与机器人动作数据对齐，构建共享的潜空间并进行机器人运动控制，通过简单线性插值生成中间动作，多种输入模态下的机器人控制全面评估，与现有工作相比，在增加自然人机沟通的能力和提升机器人融入日常生活的信任度方面展示了有效性。

Sep, 2023

介绍了一种名为 LIA 的基于自我监督的自编码器模型，该模型可以在潜在空间中进行线性导航以运动图像。LIA 避免了使用结构表示，通过同时学习正交运动方向和其线性组合来生成视频，结果在 VoxCeleb、Taichi 和 TED-talk 数据集上的质量明显优于现有方法。

Mar, 2022

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

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

通过引入一种 MoStAtt 机制，该研究提出了一种基于运动风格的视频生成模型，以增强帧的生动动态效果，并在四个条件下进行了使用大量跨帧的 256 × 256 合成视频，表现出了最先进的性能。

Apr, 2023

本文介绍了一种简单的无监督方法，用于提供训练良好的局部潜在子空间，使得通过潜在编码的导航能够保持生成图像的真实感。实验证明，在局部潜在子空间内生成的图像能够在潜在编码反复调整的情况下保持真实感，并且这种方法对各种类型的基于风格的模型中的潜在编码优化都具有应用潜力。

Oct, 2023

本文提出了一种基于骨架的动作生成方法，采用潜在动作序列的低维潜在空间来构建平滑多样的状态转移模型，并在逐帧解码器的支持下生成动作序列，在生成多样性方面表现优异，同时在同一模型中实现了动作序列分类。

Dec, 2019

本文提出了一种数据驱动的运动风格转移框架，该框架学习来自带样式标签的不成对运动集合，并能够从视频直接提取运动风格进行转移。该框架还能够绕过 3D 重建并将其应用于 3D 输入运动，其中运动的内容和风格经过编码，分别在解码合成过程中起不同的作用。实验结果表明，该方法在不需要成对训练数据的情况下，其结果可与最先进的方法相媲美，并且在转移先前未见过的风格时优于其他方法。同时，该方法还是首次从视频到 3D 动画实现风格转移的研究。

May, 2020