重新思考文本驱动的人类运动生成中的扩散模型：冗余表征、评估与掩码自回归
计算机视觉与模式识别
2025-07-10 v2
摘要
自 2023 年起，基于向量量化（VQ）的离散生成方法在人类运动生成领域迅速占据主导地位，主要优于基于扩散的连续生成方法在标准性能指标上。然而，VQ 方法存在固有局限性。将连续运动数据表示为有限数量的离散标记会导致信息必然丢失，降低生成运动的多样性，限制其作为运动先验或生成引导的有效性。相比之下，扩散方法的连续空间生成特性使其更适用于解决上述局限性，并具备模型可扩展性潜力。本文系统性地探讨了当前 VQ 方法为何表现良好，以及现有扩散方法在运动数据表征与分布方面的局限性。基于这些洞见，我们保留扩散式人类运动生成模型的固有优势，并致力于从 VQ 方法中汲取灵感进行逐步优化。我们的方法引入了能够实现掩码自回归的人类运动扩散模型，采用重新构思后的数据表征与分布进行优化。此外，我们提出了更稳健的评估方法以衡量不同方法的效果。在Various 数据集上的大量实验表明，我们的方法超越了先前的方法，实现了最先进的性能。
引用
@article{arxiv.2411.16575,
title = {Rethinking Diffusion for Text-Driven Human Motion Generation: Redundant Representations, Evaluation, and Masked Autoregression},
author = {Zichong Meng and Yiming Xie and Xiaogang Peng and Zeyu Han and Huaizu Jiang},
journal= {arXiv preprint arXiv:2411.16575},
year = {2025}
}
备注
CVPR 2025