GGMotion：基于群组图动态-动力学网络的人体运动预测
计算机视觉与模式识别
2025-09-16 v2
摘要
人体运动是3D空间中持续的物理过程，受制于复杂的动力学和运动约束。现有方法通常将人体姿态表示为抽象图结构，忽略了关节之间内在的物理依赖关系，这增加了学习难度，使模型容易生成不真实的运动。本文提出GGMotion，一种群组图动态-动力学网络，通过建模人体在群组中的拓扑结构来更好地利用动力学和运动先验。为保持3D空间中的几何等变性，我们提出了一种新型径向场用于图网络，通过空间边和时间边聚合关节特征来捕获更为全面的时空依赖关系。采用群组间和群组内相互作用模块来捕获不同尺度关节的依赖关系。结合等变多层感知器（MLP），通过并行的动力学-动力学传播更新每个群组中的关节位置特征，以提高物理可行性。同时，我们引入一个辅助损失来监督训练期间的运动先验。在三个标准基准测试（包括Human3.6M、CMU-Mocap和3DPW）上的大量实验表明，我们的方法在短期运动预测中具有显著的性能优势。代码可在 https://github.com/inkcat520/GGMotion.git 获取。
引用
@article{arxiv.2507.07515,
title = {GGMotion: Group Graph Dynamics-Kinematics Networks for Human Motion Prediction},
author = {Shuaijin Wan},
journal= {arXiv preprint arXiv:2507.07515},
year = {2025}
}