实时多样化运动插值与时空控制
本文提出了一种基于对抗性递归神经网络的新型、稳健的过渡生成技术，可以作为3D动画师的新工具。系统合成了高质量的运动，使用时间稀疏的关键帧作为动画约束。我们提出了两种新的加性嵌入修饰符，它们被应用在网络架构中的潜在表示内，用于解决仅在未来关键帧添加调节信息时无法将状态-of-the-art的运动预测模型转换为稳健的过渡生成器的问题。为了定量评估我们的方法，我们在Human3.6M数据集的子集和适用于转换生成的新型佐佛摸捉数据集LaFAN1上提供了明确定义的中间演算基准。同时，本文还发布了这个新数据集和可重现我们基准结果的伴随代码。
Feb, 2021
本研究提出了一种利用动画合成网络来模拟基于本地运动相的运动内容的风格建模系统，通过特征变换来实时调制风格，其在实时风格建模方面的鲁棒性和效率得到了提高。
Jan, 2022
该论文提出了一种方法——Motion in-betweening (MIB)，它可以在保持运动自然性的同时，生成开始和目标姿势之间的中间骨架运动；该方法还可以处理在姿态或语义条件下的MIB任务，并提供增强运动生成质量的运动增强方法。该方法在姿态预测误差方面优于现有的 MIB 方法，并提供了更多可控性。
Feb, 2022
本文提出使用实时样式化运动转换方法 (RSMT) 在满足速度、质量、多样性和可控性的要求下，生成在线样式化运动，其核心在于提出了一个运动流形模型和样式运动采样器，可以分别对不同数据集进行单独训练和综合评估.
Jun, 2023
通过使用周期自编码器学习到的相位变量，在混合专家神经网络模型中引入了一种新颖的数据驱动的动作插值系统，以达到人物的目标姿势。我们的方法在空间和时间上以不同的专家权重聚类动作，生成一系列自回归方式在当前状态和目标状态之间的姿势序列。此外，为了满足动画师手动修改的姿势或某些末端执行器作为要达到的约束，我们实施了学习的双向控制方案来满足这些约束。结果表明，使用相位进行动作插值任务可以使插值动作更加清晰，并进一步稳定学习过程。此外，在动作插值任务中使用相位还可以合成更具挑战性的运动，超越了行走等基本动作。此外，可以在给定目标关键帧之间进行风格控制。我们的提出的框架在动作质量和泛化性方面可与流行的最先进方法相竞争，特别是在存在较长的过渡持续时间的情况下。我们的框架有助于快速原型工作流程，用于创建游戏和电影行业中的动画人物序列，这是非常有趣的。
Aug, 2023
使用时间轴控制的文本驱动动作合成方法，通过多个文本输入来指定时间轴内的多个动作以及精确定义各个动作的持续时间，并使用新的测试时间去噪方法生成真实的动作序列。
Jan, 2024
通过使用扩散模型生成多样化的人体动作，该研究提出了一种能够根据用户指定的空间限制和文本条件生成精确且多样化的动作的条件运动扩散补间方法（CondMDI）。在评估了该方法在HumanML3D数据集上的性能后，研究进一步探讨了基于引导和插值的方法，以及与这些方法相比，CondMDI在推理时间关键帧创建方面的优势。
May, 2024
在实际场景中的字符动画需要各种约束条件，如轨迹、关键帧、互动等。我们提出了一种可编程的运动生成新范式，通过将运动控制任务分解为原子约束的组合，并将其编程到误差函数中，实现生成满足约束的运动序列，以此解决动作控制的开集问题。实验证明在处理一系列未知任务时，我们能够生成高质量的运动。这些任务包括运动动力学、几何约束、物理定律、场景、物体或角色自身部位的相互作用等，且无需收集特定的训练数据或设计特殊的网络结构。同时，我们观察到新的技能在编程新任务时的涌现，还利用大型语言模型实现了自动编程。我们希望这项工作能为通用人工智能代理的运动控制铺平道路。
May, 2024
该研究针对运动风格迁移中的接触控制不足的问题，提出了一种新颖的方法，通过间接控制髋部速度，从而实现精细控制接触的效果。研究结果表明，该方法在风格表现力和运动质量上优于现有技术，潜在地推动计算机动画和游戏领域的发展。
Sep, 2024