面向长期运动生成的拉格朗日运动场

长期运动生成是需要产生持续且逼真的序列以跨越扩展时程的挑战性任务。当前方法主要依赖帧级运动表示，这仅捕捉静态空间细节，忽略了时间动力学，导致在时间维度上存在显著冗余， complicating长期运动的生成。为克服这些限制，我们引入了拉格朗日运动场（Lagrangian Motion Fields）的新概念，专为长期运动生成设计。将每个关节视为在短时间间隔内速度均匀的拉格朗日粒子，我们的方法将运动表示浓缩为一系列“超级运动”（类似于超像素），无缝整合了静态空间信息与可解释的时间动力学，超越了现有网络架构和运动序列内容类型的局限。该方案通用且轻量级，无需神经网络预处理。在长期音乐到舞蹈生成和文本到运动生成等任务中，本方法在效率、生成质量和多样性方面均优于现有方法。拉格朗日运动场的可适应性还扩展到无限运动循环和细粒度受控运动生成等应用，凸显了其广泛的实用性。视频演示可访问 https://plyfager.github.io/LaMoG。