SegMo：面向细粒度文本-运动对齐的3D人体动作生成
计算机视觉与模式识别
2025-12-25 v1
摘要
从文本描述生成3D人体动作是具有广泛应用前景的研究问题，涉及视频游戏、虚拟现实和增强现实等领域。最近的方法仅在序列层面对文本描述与人体动作进行对齐，忽略了模态内部语义结构。然而，动作描述和动作序列都可以自然地分解为更小且语义连贯的片段，这些片段可作为原子对齐单元，以实现更细粒度的对应。鼓励我们提出SegMo，一个新的面向细粒度文本-运动对齐的人体Motion生成框架。我们的框架包含三个模块：（1）文本片段提取，将复杂的文本描述分解为按时间顺序排列的短语，每个短语代表一个简单的原子动作；（2）运动片段提取，将完整的动作序列划分为相应的运动片段；（3）细粒度文本-运动对齐，通过对比学习对文本和运动片段进行对齐。广泛的实验表明，SegMo在两个广泛使用的数据集上均优于强基准，在HumanML3D测试集上实现了0.553的改进TOP 1分数。此外，由于学习到的文本和运动片段共享嵌入空间，SegMo还可应用于检索式任务，如动作定位和动作到文本检索。
引用
@article{arxiv.2512.21237,
title = {SegMo: Segment-aligned Text to 3D Human Motion Generation},
author = {Bowen Dang and Lin Wu and Xiaohang Yang and Zheng Yuan and Zhixiang Chen},
journal= {arXiv preprint arXiv:2512.21237},
year = {2025}
}
备注
The IEEE/CVF Winter Conference on Applications of Computer Vision 2026