PersonaAnimator：来自无约束视频的个人化运动迁移
计算机视觉与模式识别
2025-11-11 v2
摘要
近期的运动生成技术取得了显著进展，但仍存在若干局限：（1）现有的姿态导向人物运动迁移方法仅复制运动而不学习其风格特征，导致人物缺乏表现力。（2）运动风格迁移方法高度依赖运动捕捉数据，这类数据难以获取。（3）生成的运动有时违反物理定律。为此，本文 pioneers 一种新任务：视频到视频的个人化运动。我们提出了 novel 框架 PersonaAnimator，直接从无约束视频中学习个人化运动模式，从而实现个人化运动迁移。为支持该任务，我们引入 PersonaVid，即首个基于视频的个人化运动数据集。它包含 20 个运动内容类别和 120 个运动风格类别。我们进一步提出了 Physics-aware 运动风格正则化机制，以确保生成运动的物理可行性。广泛实验表明，PersonaAnimator 超越了当前最先进的运动迁移方法，在 Video-to-Video 运动个人化任务上设立了新基准。
关键词
引用
@article{arxiv.2508.19895,
title = {PersonaAnimator: Personalized Motion Transfer from Unconstrained Videos},
author = {Ziyun Qian and Runyu Xiao and Shuyuan Tu and Wei Xue and Dingkang Yang and Mingcheng Li and Dongliang Kou and Minghao Han and Zizhi Chen and Lihua Zhang},
journal= {arXiv preprint arXiv:2508.19895},
year = {2025}
}