May, 2024

多条件潜在扩散网络用于场景感知神经人体运动预测

PDF
TL;DR通过使用多条件潜在扩散网络，该研究提出了一种重塑人体运动预测任务的方法，该任务基于给定的历史三维身体运动和当前三维场景上下文，以实现人体运动的预测。实验结果表明，该方法在真实和多样化的预测中显著优于现有技术。
3d human motionhuman motion predictionmulti-condition latent diffusion networkspatial layoutcross-modal mapping
发现论文，激发创造
  • 基于场景上下文的人类长期动作预测

    本文通过提出新的三阶段框架来对人类运动进行长期预测，在考虑环境场景的情况下大大提高了预测准确性，并提供了具有清晰注释的多样化合成数据集来实现稳定的训练和严格的评估。

    Jul, 2020

  • 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

  • 通过潜在走廊进行自适应人类轨迹预测

    使用可学习的图像提示将预训练的人体轨迹预测器的输入增强，从而使预测器能够从极少量的新数据中推断出部署场景的趋势，从而解决特定场景下的人体轨迹预测问题。

    Dec, 2023

  • 基于运动扩散的全局一致随机人体动作预测

    该论文提出了一种基于扩散的随机人体运动预测框架 DiffMotion，旨在预测未来的姿势序列，并通过使用多阶段图卷积网络和方差调度器，使预测结果准确、逼真、一致，同时在准确度和保真度方面明显优于先前的方法，并通过基准数据集展现了强大的鲁棒性。

    May, 2023

  • 多模态感知驱动的三维人体动作预测

    未来人体姿势预测是机器智能的基本应用，本研究引入了一种新的多模态感知驱动的运动预测方法，通过结合外部 3D 场景和内部人类凝视信息来实现高保真度的生成，同时考虑人的意图和场景的语义连贯性，该方法在 3D 人体姿势和轨迹预测上取得了最先进的性能。

    May, 2024

  • 基于多条件扩散模型的语言驱动场景合成

    通过结合文字提示、人体动作和现有物体来进行多模态场景合成的多条件扩散模型，理论上支持，实验证明优于最先进的基准，并可实现自然场景编辑应用。

    Oct, 2023

  • 面向场景的动态预测知识转移

    通过对视频场景内容及动态规律、语义等方面的先验知识进行分析和预处理，提出一种利用贝叶斯网络解决视频不同场景中的移动轨迹问题的方法，并在实验中证明了其有效性。

    Mar, 2016

  • 通过建模运动环境和增强运动动态来进行长期人体运动预测

    本文提出了一种运动背景下的人类运动预测方法，通过摘要历史人类运动来生成当前预测，同时引入修改过的高速公路单元并最小化克矩阵损失来增强运动动态，能够有效地预测未来的人类动作并提高模型性能，同时能够进行运动背景下的人类运动转化。

    May, 2018

  • 意外扰动下的人体运动预测

    我们调查了人体运动预测中的一个新任务，即预测可能涉及多人的意外物理扰动下的运动。与现有研究相比，这个任务涉及预测非受控的、非预谋的和纯反应式的运动，以应对外部冲击以及这样的运动如何在人之间传播。我们提出了一种新方法，利用微分物理和深度神经网络，提出了一个显式的潜在微分物理（LDP）模型。通过实验证明，LDP 具有高数据效率、出色的预测准确性、强大的泛化能力和良好的可解释性。由于没有类似的研究，我们从几个相关领域进行了全面的比较，包括 11 个已适应的基线模型，结果显示 LDP 在定量和定性上都优于现有研究，其预测准确度提高了 70%，并且显示出显著更强的泛化能力。

    Mar, 2024

  • 基于场景感知的人体动作预测与互相距离预测

    本文介绍了一种关于场景感知的三维人体动作预测的方法，通过建模人与场景之间的相互作用，通过人与场景之间的相互距离来约束人体的局部和全局运动，提出的方法在合成和真实数据集上的表现优于现有方法。

    Oct, 2023