基于图的标准化流用于人体运动生成与重建
计算机视觉与模式识别
2021-04-08 v1 机器学习
摘要
数据驱动的人体骨骼运动建模方法已在交互媒体与社交机器人领域获得多种应用。由于标记点丢失等问题，这些领域在生成高保真样本以及从不完善输入数据中鲁棒地重建运动方面仍存在挑战。本文提出一种概率生成模型，以过去信息与控制信号（如个体移动路径）为条件，合成并重建长时序运动序列。我们的方法通过引入新的基于图的模型改进了现有工作 MoGlow。该模型利用时空图卷积网络（ST-GCN）在多尺度上有效捕捉骨骼运动数据的空间结构与时间相关性。我们在包含步频与骨长分析的人体运动捕捉混合数据集上评估了模型。结果展示了我们的模型在重建丢失标记点方面的优势，并在生成逼真未来姿态上取得可比结果。当输入不完善时，我们的模型在生成鲁棒性上表现出改进。
引用
@article{arxiv.2104.03020,
title = {Graph-based Normalizing Flow for Human Motion Generation and Reconstruction},
author = {Wenjie Yin and Hang Yin and Danica Kragic and Mårten Björkman},
journal= {arXiv preprint arXiv:2104.03020},
year = {2021}
}
备注
8 pages