人体动作遗忘
计算机视觉与模式识别
2025-12-11 v3
摘要
我们引入了人体动作遗忘，并通过防止暴力 3D 动作合成的具体任务来激发其动机。鉴于流行的文本到动作数据集（HumanML3D 和 Motion-X）包含 7% 到 15% 的暴力序列，涵盖从原子手势（例如，单次出拳）到高度组合的动作（例如，抬腿并摆动以踢击），这是一个重要的安全要求。通过聚焦于暴力遗忘，我们展示了移除一个具有挑战性、多面性的概念如何作为更广泛的动作“遗忘”能力的代理。为了实现对人体动作遗忘的系统性评估，我们通过自动过滤 HumanML3D 和 Motion-X 数据集，创建了不同的遗忘集（暴力动作）和保留集（安全动作），从而建立了首个动作遗忘基准。我们引入了针对序列遗忘量身定制的评估指标，以衡量抑制效果以及对真实感和平滑过渡的保持。我们将两种 SOTA 的、免训练的图像遗忘方法（UCE 和 RECE）适配到领先的文本到动作架构（MoMask 和 BAMM）中，并提出了潜在码替换（LCR），这是一种新颖的、免训练的方法，用于在离散码本表示中识别暴力码并用安全替代品替换它们。我们的实验表明，遗忘暴力动作确实是可行的，并且在潜在码上进行操作能在暴力抑制和保持整体动作质量之间取得最佳折衷。这项工作为推进跨多样应用的安全动作合成奠定了基础。网站：https://www.pinlab.org/hmu。
引用
@article{arxiv.2503.18674,
title = {Human Motion Unlearning},
author = {Edoardo De Matteis and Matteo Migliarini and Alessio Sampieri and Indro Spinelli and Fabio Galasso},
journal= {arXiv preprint arXiv:2503.18674},
year = {2025}
}