面向随机 3D 人体运动预测的时空连续网络
计算机视觉与模式识别
2025-08-05 v1
摘要
随机人体运动预测 (Stochastic Human Motion Prediction, HMP) 因其广泛应用而受到日益关注。尽管生成式方法取得了快速进展，但现有方法常面临在学习连续时序动力学和预测随机运动序列方面的挑战，往往忽视复杂人体运动中固有的灵活性，容易陷入模式坍缩。为缓解这些问题，我们提出一种新方法称为 STCN，用于随机且连续的人体运动预测，包含两个阶段。具体而言，在第一个阶段，我们提出时空连续网络以生成更平滑的人体运动序列。在此基础上，我们创新性地引入锚定集 (anchor set) 以防止 HMP 任务中的模式坍缩，锚定集指指潜在的人体运动模式。在第二个阶段，STCN 旨在借助锚定集获取观察运动序列的高斯混合分布 (Gaussian Mixture Distribution, GMM)，并关注每个锚定的概率，采用从每个锚定采样多个序列的策略以缓解人体运动在类内差异。在两个广泛使用的数据集 (Human3.6M 与 HumanEva-I) 上进行的实验表明，我们的模型在多样性和准确性方面均取得具竞争力的性能。
引用
@article{arxiv.2508.01585,
title = {A Spatio-temporal Continuous Network for Stochastic 3D Human Motion Prediction},
author = {Hua Yu and Yaqing Hou and Xu Gui and Shanshan Feng and Dongsheng Zhou and Qiang Zhang},
journal= {arXiv preprint arXiv:2508.01585},
year = {2025}
}