EMA：用于解剖学力度引导人体运动扩散的力度度量注意力
计算机视觉与模式识别
2026-05-26 v1 图形学
机器学习
摘要
人体运动扩散模型可以从文本合成动作序列，但控制运动强度仍然具有挑战性。现有方法依赖于与力度相关的副词，这些副词模糊不清，无法捕捉诸如节奏等定量方面，常常导致平淡单调的动态效果。我们提出了一种基于力度度量注意力（EMA）的强度控制框架，这是一个交叉注意力模块，以数值力度信号为条件进行扩散。受拉班动作分析（LMA）启发，该框架专注于时间和重量这两个力度因素。我们使用两个运动学度量来近似这些因素：用于节奏的峰值关节位置变化和用于运动量的集体关节位置变化。EMA能够实现细粒度、区域级别的控制，而无需昂贵的后验优化。我们引入了两个评估任务，即度量到运动一致性和身体部位级别的力度调制，以评估数值保真度和局部控制。实验和用户研究表明，指定的力度水平、生成的运动动态和既定的LMA描述符之间存在近乎单调的一致性。这些结果表明，在实践中可以对力度动态进行有效且可解释的控制。
引用
@article{arxiv.2605.24566,
title = {EMA: Effort Metric Attention for Anatomical Effort-Guided Human Motion Diffusion},
author = {Joshua Siy and Huakun Liu and Yutaro Hirao and Monica Perusquia-Hernandez and Hideaki Uchiyama and Kiyoshi Kiyokawa},
journal= {arXiv preprint arXiv:2605.24566},
year = {2026}
}
备注
Accepted at IEEE International Conference on Automatic Face and Gesture Recognition (FG 2026)