面向可泛化人体运动生成与估计的生物力学引导残差方法
计算机视觉与模式识别
2025-07-16 v2
摘要
人体姿态、动作和运动生成对于数字人、角色动画和仿人机器人等应用至关重要。然而，许多现有方法难以产生符合生物力学原理的物理上合理的运动。尽管最近的自回归和扩散模型提供了出色的视觉质量，但它们往往忽略了关键的生物动力学特征，并且无法确保物理上逼真的运动。强化学习（RL）方法可以解决这些缺陷，但高度依赖仿真环境，限制了其泛化能力。为了克服这些挑战，我们提出了 BioVAE，一个具有三项核心创新的生物力学感知框架： 将肌肉肌电图（EMG）信号和运动学特征与加速度约束相结合，无需仿真即可实现物理上合理的运动； 与扩散模型无缝耦合以实现稳定的端到端训练； 生物力学先验，促进在多样化运动生成和估计任务中的强泛化能力。大量实验表明，BioVAE 在多个基准测试上取得了 SOTA 性能，弥合了数据驱动运动合成与生物力学真实性之间的差距，同时为物理准确的运动生成和姿态估计设定了新标准。
引用
@article{arxiv.2503.06151,
title = {Biomechanics-Guided Residual Approach to Generalizable Human Motion Generation and Estimation},
author = {Zixi Kang and Xinghan Wang and Yadong Mu},
journal= {arXiv preprint arXiv:2503.06151},
year = {2025}
}