用于学习人类运动先验的几何神经距离场
计算机视觉与模式识别
2025-09-12 v1
摘要
我们提出了神经黎曼运动场 (Neural Riemannian Motion Fields, NRMF)，这是一种新的3D生成式人类运动先验，能够实现稳健、时序一致且物理上合理的3D运动恢复。与现有的基于变分自编码器或扩散模型的方法不同，我们的高阶运动先验显式地在一组对应于姿态、过渡（速度）和加速度动力学的神经距离场（NDFs）的零水平集中建模了人类运动。我们的框架在构造上是严谨的，即我们的NDFs构建在关节旋转、它们的角速度和角加速度的乘积空间上，尊重底层关节的几何结构。我们进一步引入了：（i）一种新颖的自适应步长混合算法，用于投影到可行运动集合中，和（ii）一种新的几何积分器，用于在测试时优化和生成期间"滚动"真实运动轨迹。我们的实验表明，NRMF在多个输入模态上以及从去噪到运动插值和拟合到部分2D/3D观察等多样任务上的泛化性能显著且一致地提升：在AMASS数据集上训练后，NRMF能够在这些任务中实现显著且持续的性能提升。
引用
@article{arxiv.2509.09667,
title = {Geometric Neural Distance Fields for Learning Human Motion Priors},
author = {Zhengdi Yu and Simone Foti and Linguang Zhang and Amy Zhao and Cem Keskin and Stefanos Zafeiriou and Tolga Birdal},
journal= {arXiv preprint arXiv:2509.09667},
year = {2025}
}
备注
8 pages