DanceCrafter：基于舞蹈语法的细粒度文本驱动可控舞蹈生成

文本驱动的可控舞蹈生成尚未得到充分探索，主要由于高质量数据集的严重稀缺以及难以表述复杂的编舞结构。描述舞蹈尤其具有挑战性，因为其复杂的空间动力学、强方向性以及身体不同部位的高度解耦运动。为克服这些瓶颈，我们借鉴了舞蹈研究、人体解剖学和生物力学原理，提出了“舞蹈语法”（Choreographic Syntax）框架，并配套了定制的注释系统。基于该语法，我们结合专业舞蹈档案和高保真动作捕捉数据，构建了DanceFlow——目前最细粒度的舞蹈数据集。它包含41小时的高质量动作，配有634万字的详细描述。模型层面，我们引入DanceCrafter——基于Momentum Human Rig 构建的定制运动转换器。为规避优化不稳定，我们构建了连续的流形运动表示，搭配混合归一化策略。此外，我们设计了基于解剖学的损失函数，显式调节身体部位的解耦性。通过这些改进，DanceCrafter能够实现复杂舞蹈序列的高保真且稳定生成。广泛的评估和用户研究表明，我们的SOTA性能在运动质量、细粒度可控性和生成自然性方面均表现优异。