CoMusion：基于运动扩散的一致随机人体运动预测

随机人体运动预测（HMP）旨在从观测到的序列中预测多个可能的未来人体姿态序列。大多数先前工作通过在潜空间中的编码-解码来学习运动分布，这不能保持运动的时空结构。尽管有效，这些方法通常需要复杂的多阶段训练，并产生与给定历史不一致且可能在物理上不真实的预测。为解决这些问题，我们提出了CoMusion，一个单阶段、端到端的基于扩散的随机HMP框架。CoMusion的灵感来自于这样一个见解：平滑的未来姿态初始化可改善预测性能，这一策略此前未在随机模型中使用，但在确定性工作中得到证实。为生成此类初始化，CoMusion的运动预测器以一个基于Transformer的网络开始，用于受损运动的初始重建。然后，采用图卷积网络（GCN）在离散余弦变换（DCT）空间中考虑过去观测来细化预测。我们的方法得益于Transformer-GCN模块设计和所提出的方差调度器，擅长预测准确、真实且一致的运动，同时保持适当的多样性。在基准数据集上的实验结果表明，CoMusion在各指标上超越先前方法，同时展现出更优的生成质量。我们的代码发布于 https://github.com/jsun57/CoMusion/ 。