动态未来网络：多样化人体运动生成
计算机视觉与模式识别
2020-09-14 v1
摘要
人体运动建模在计算机图形学、视觉与虚拟现实等诸多领域至关重要。获取高质量骨骼运动十分困难，因为需要专用设备与繁重的手工后处理，这就要求最大化利用现有数据来合成新数据。然而，由于人体运动动力学固有的运动随机性（表现为短期与长期），这是一项挑战。短期内，在若干帧内存在强随机性，例如一帧之后可能跟随多个不同运动风格的帧；而长期则存在非确定性的动作转换。本文中，我们提出 Dynamic Future Net，一种新颖的深度学习模型，通过构建具有非平凡时间随机性建模能力的生成模型，显式聚焦于上述运动随机性。在有限数据量下，我们的模型可生成大量任意时长、在时空上均具视觉可信变化的高质量运动。我们在广泛的运动上评估模型，并与最先进方法比较。定性与定量结果均显示了本方法在鲁棒性、通用性与高质量上的优越性。
引用
@article{arxiv.2009.05109,
title = {Dynamic Future Net: Diversified Human Motion Generation},
author = {Wenheng Chen and He Wang and Yi Yuan and Tianjia Shao and Kun Zhou},
journal= {arXiv preprint arXiv:2009.05109},
year = {2020}
}
备注
Accepted by ACMMM 2020