上下文引导的扩散模型：基于能量的联合细化用于多智能体运动预测
计算机视觉与模式识别
2026-05-22 v1
摘要
深度生成模型因其能够捕捉多模态分布并代表多样化人类行为而成为人体运动预测的有前景方法。然而，生成既多样又在相互作用代理之间保持联合一致性的预测仍然具有挑战性。此外，大多数现有方法主要使用单智能体（边缘）指标进行评估，这些指标未能完全反映多智能体相互作用的联合动力学。我们提出一种基于扩散的框架，通过利用历史轨迹中丰富的上下文信息来提高多智能体运动预测。这种信息通过引导机制纳入，以增强预测运动的多样性和可表达性。为进一步强制执行交互一致性，我们引入一种能量基方法，以保留单个轨迹的可行性，同时细化联合轨迹分布。广泛的实验表明，我们的方法在四个基准数据集上 consistently 优于现有方法。值得注意的是，我们的方法在ETH/UCY数据集上显著提高了边缘（ADE/FDE）和联合（JADE/JFDE）指标。与先前的联合预测方法相比，它在边缘指标上实现了显著提升，同时保持了具竞争力的联合性能。
引用
@article{arxiv.2605.22017,
title = {Diverse Yet Consistent: Context-Guided Diffusion with Energy-Based Joint Refinement for Multi-Agent Motion Prediction},
author = {Lei Chu and Yuhuan Zhao},
journal= {arXiv preprint arXiv:2605.22017},
year = {2026}
}
备注
MEIS-- CVPR