BoDiffusion: 将稀疏观测扩散至全身人体动作合成

​

BoDiffusion: Diffusing Sparse Observations for Full-Body Human Motion
Synthesis

解决问题：该论文旨在解决全身运动重建中的低限制问题，提出了一种新的生成扩散模型BoDiffusion，用于合成平滑且逼真的全身运动序列。

关键思路：该论文提出了一种时间和空间条件方案，允许BoDiffusion在生成平滑逼真的全身运动序列时利用稀疏跟踪输入。该方法使用反向扩散过程将全身跟踪建模为条件序列生成任务，相较于当前领域的研究，该思路具有新意。

其他亮点：该论文在大规模运动捕捉数据集AMASS上进行了实验，并表明该方法在全身运动逼真性和关节重建误差方面优于现有方法。该论文未提及是否有开源代码。

关于作者：该论文的主要作者为Angela Castillo、Maria Escobar、Guillaume Jeanneret、Albert Pumarola、Pablo Arbeláez和Ali Thabet。他们分别来自哥伦比亚大学、巴塞罗那计算机科学研究所和谷歌。他们之前的代表作未在该论文中提及。

相关研究：近期其他相关的研究包括：“Learning to Generate Time-Lapse Videos Using Multi-Stage Dynamic Generative Adversarial Networks”（Yi Wang等，华盛顿大学）和“Pose2Pose: Pose and Expression Driven Face Reenactment”（Yue Wu等，斯坦福大学）。

论文摘要：这篇论文介绍了一个名为BoDiffusion的生成扩散模型，旨在解决全身运动重建问题。传统的头戴设备只能跟踪头部和手部运动，导致下半身姿态的变化会限制全身运动的重建。为了解决这个问题，作者提出了一种时间和空间条件方案，使得BoDiffusion能够利用稀疏的跟踪输入来生成平滑且逼真的全身运动序列。据我们所知，这是第一种使用反向扩散过程将全身跟踪建模为条件序列生成任务的方法。作者在大规模运动捕捉数据集AMASS上进行了实验，并展示了该方法在全身运动逼真度和关节重建误差方面明显优于现有最先进方法。

​Read More