用于人体运动预测的对抗精炼网络

人体运动预测旨在以有限的人体运动作为输入来预测未来的 3D 骨骼序列。两种流行的方法——循环神经网络与前馈深度网络——能够预测粗略的运动趋势，但肢体运动等运动细节可能丢失。为预测更准确的未来人体运动，我们提出一种对抗精炼网络（ARNet），其遵循简单而有效的由粗到细机制并带有新颖的对抗误差增强。具体而言，我们将历史运动序列与粗略预测同时作为我们级联精炼网络的输入以预测精炼后的人体运动，并通过对抗误差增强强化该精炼网络。在训练期间，我们通过不同主体间的对抗机制学习来刻意引入误差分布。在测试中，我们的级联精炼网络稳健地缓解来自粗略预测器的预测误差，从而产生更精细的预测。该对抗误差增强为我们的精炼网络提供丰富的误差样本作为输入，从而在测试数据集上带来更好的泛化性能。我们在三个标准基准数据集上进行大量实验，表明我们提出的 ARNet 优于其他最先进方法，尤其在短期与长期预测中具挑战性的非周期动作上。