DiMo：离散扩散建模用于运动生成与理解
信号处理
2026-02-05 v1
摘要
先前的掩码建模运动生成方法主要研究文本到运动（text-to-motion）。我们提出 DiMo，一种离散扩散风格框架，将掩码建模扩展到双向文本-运动理解与生成。不同于 GPT 风格自回归方法对运动进行 tokenization 并顺序解码，DiMo 执行迭代掩码 token 精炼，统一 Text-to-Motion（T2M）、Motion-to-Text（M2T）和 text-free Motion-to-Motion（M2M）于单一模型。这种解码范式天然 enables 通过 refinement 步数数实现 quality-latency trade-off。我们进一步通过残差向量量化（RVQ）提升运动 token 保真度，并通过 Group Relative Policy Optimization（GRPO）增强对齐性和可控性。在 HumanML3D 和 KIT-ML 上的实验显示，DiMo 在统一框架下展现出强大的运动质量和具竞争力的双向理解能力。此外，我们演示了在无需架构更改的情况下实现 text-free 运动完成、text-guided 运动预测和运动标题纠正的模型能力。附加的定性结果可在项目页面获取：https://animotionlab.github.io/DiMo/。
引用
@article{arxiv.2602.04187,
title = {GPINND: A deep-learning-based state of health estimation for Lithium-ion battery},
author = {Yuzhu Lei and Guanding Yu},
journal= {arXiv preprint arXiv:2602.04187},
year = {2026}
}