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

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

该研究论文提出了一种针对在线动画应用的高效灵活的运动风格转移方法，使用一种新的样式转移模型：Style-ERD，该模型具有 Encoder-Recurrent-Decoder 结构和新的关注机制，可以将动作样式化成多个目标样式。相较于离线处理方法，该方法在运动真实感、样式表现力以及运行时效率方面都有显着提高。

Mar, 2022

使用 TranSTYLer 模型，该模型基于多模态转换器，可以在保留行为形状的同时，将一个虚拟代理人的行为表现风格转移到另一个代理人身上，同时确保传达源行为的含义为主。

Aug, 2023

本研究利用机器学习方法进行虚拟代理人的行为风格建模，通过多模态数据进行风格转换，包括不同演讲者的手势合成。通过实验证明，该方法能更好地捕捉语音中的风格信息，不受测试阶段未见演讲者的影响。

May, 2023

本文提出一种轻量级的视频动作转移方法 TransMoMo，可以无需配对数据进行监督训练，利用三个正交变化因子的不变性特征进行无监督学习，采用自编码器训练这些因子的潜在表示，从而从源视频中提取的运动得到无缝传输到目标视频中，达到了与最先进方法相互竞争的效果。

Mar, 2020

提出一种广义的神经风格转移网络，由风格解码器、内容解码器、混合器和解码器组成，可用于多种风格的图像转移任务。

Nov, 2017

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

本文提出 Style Transformer，它结合了注意力机制和变形器模型，可以更好地处理文本风格转移和内容保存的问题。

May, 2019