基于骨架无关的点表示通用人体运动预训练方法——PUMPS

运动骨架通过变换骨骼层级结构来驱动3D人物动画，但由于比例或结构差异，运动数据在不同骨架之间难以传递，这给数据驱动的运动合成提出了挑战。时间点云(TPC)提供了一种非结构化、跨兼容的运动表示。尽管TPC与骨架可逆，但主要用于兼容性，而非用于直接运动任务学习。若要实现此目的，需要具备TPC格式的数据合成能力，而这在其独特的时序一致性和点可识别性方面尚未探索。因此，我们提出了PUMPS——面向TPC数据的原始自编码器架构。PUMPS独立地将帧级点云降分为可采样的特征向量，随后通过基于潜在高斯噪声向量作为采样标识符的解码器提取离散时序点。我们引入基于线性分配的点配对以优化TPC重建过程，并消除架构中昂贵的点注意力机制。利用这些潜在特征，我们预训练了一个运动合成模型，能够执行运动预测、转换生成和关键帧插值。对于这些预训练任务，PUMPS即使没有本地数据监督也能表现出色，匹配当前最先进的性能。当针对运动去噪或估计进行微调时，PUMPS在不偏离通用体系结构的前提下，优于许多相应方法。