存在即混沌：通过考虑不确定性增强 3D 人体运动预测
计算机视觉与模式识别
2024-03-22 v1
摘要
人体运动预测是指根据历史观察序列预测未来的身体姿态。由于运动的复杂动态和不确定性，这是一个长期存在的挑战。现有方法侧重于构建复杂的神经网络来建模运动动态。在当前的训练流程中，预测结果被要求通过 L2 损失与训练样本严格相似。然而，对于预测任务至关重要的不确定性属性却很少受到关注。我们认为，训练数据中记录的运动可能是对可能未来的一种观测，而非预先确定的结果。此外，现有工作在训练期间平等地计算每个未来帧的预测误差，而近期研究表明不同帧可能扮演不同角色。在这项工作中，我们提出了一种新颖的、计算高效的、考虑不确定性的编码器-解码器模型，该模型可以通过一个动态函数学习未来帧的适当特征。在基准数据集上的实验结果表明，我们考虑不确定性的方法在数量和质量上都具有明显优势。此外，所提出的方法可以生成质量更高的运动序列，避免了棘手的抖动伪影。我们相信，我们的工作可以为通用运动预测任务中考虑不确定性质量提供一种新颖的视角，并鼓励该领域的研究。代码将公开于 https://github.com/Motionpre/Adaptive-Salient-Loss-SAGGB。
引用
@article{arxiv.2403.14104,
title = {Existence Is Chaos: Enhancing 3D Human Motion Prediction with Uncertainty Consideration},
author = {Zhihao Wang and Yulin Zhou and Ningyu Zhang and Xiaosong Yang and Jun Xiao and Zhao Wang},
journal= {arXiv preprint arXiv:2403.14104},
year = {2024}
}
备注
Accepted by AAAI2024