通过辅助空间Gumbel-Softmax采样实现多样化人体运动预测

多样化人体运动预测旨在从一段已观测姿态序列中预测多个可能的未来姿态序列。先前方法通常采用深度生成网络对数据条件分布建模，然后从分布中随机采样结果。虽然可获得不同结果，但它们通常是最可能的结果，多样性不足。近期工作通过确定性网络显式学习条件分布的多个模态，然而其只能覆盖有限范围内的固定数量模态。本文中，我们提出一种新颖采样策略，用于从深度生成模型学习的不平衡多模态分布中采样高度多样的结果。我们的方法通过生成一个辅助空间，并巧妙地将辅助空间中的随机采样等价于目标分布的多样化采样。我们提出了一种简单而有效的网络架构来实现该新颖采样策略，其结合了Gumbel-Softmax系数矩阵采样方法与激进的多样性促进铰链损失函数。大量实验表明，与先前最优采样方法相比，我们的方法显著提升了采样的多样性与准确性。代码与预训练模型可在 https://github.com/Droliven/diverse_sampling 获取。