PainDiffusion：学习表达疼痛
计算机视觉与模式识别
2025-08-12 v3
摘要
准确的疼痛表达合成对于提高临床训练和人机交互至关重要。当前的机器人患者模拟器 (RPS) 缺乏逼真的疼痛面部表情，限制了其在医学培训中的有效性。本文引入 PainDiffusion，一种生成模型，用于合成自然的疼痛面部表情。不同于传统的启发式或自回归方法，PainDiffusion 在连续潜在空间中运行，确保面部运动更平滑自然，同时支持通过扩散强制实现无限长度生成。我们的方法融合了疼痛表达性和情感等内在特征，允许进行个性化和可控的疼痛表达合成。我们使用 BioVid HeatPain 数据集进行训练和评估。此外，我们将 PainDiffusion 集成到机器人系统中，以评估其在实时康复训练中的适用性。临床专家的定性研究显示，PainDiffusion 产生的疼痛表情具有 31.2%（标准差 4.8%）的偏好率，优于真实录制。我们的结果表明，PainDiffusion 可作为临床训练和模拟中的可行替代方案，弥合合成表达与自然疼痛表达之间的差距。代码和视频可在 https://damtien444.github.io/paindf/ 获取。
引用
@article{arxiv.2409.11635,
title = {PainDiffusion: Learning to Express Pain},
author = {Quang Tien Dam and Tri Tung Nguyen Nguyen and Yuki Endo and Dinh Tuan Tran and Joo-Ho Lee},
journal= {arXiv preprint arXiv:2409.11635},
year = {2025}
}
备注
Accepted at IROS 2025