基于扩散概率模型的足球动作生成：SMGDiff
计算机视觉与模式识别
2024-11-26 v1
摘要
足球作为一项全球广为人知的运动，在视频游戏和 VR/AR 领域具有重要应用。然而，由于人类运动员与球的相互作用复杂，生成逼真的足球动作仍然具有挑战性。本文介绍了 SMGDiff，一种用于生成实时且可用户控制的足球动作的新型双阶段框架。我们的核心思想是将实时人物控制与强大的扩散生成模型相集成，以确保输出动作的高质量和多样性。在第一阶段，我们即时地将粗糙的用户控制转化为人物的多样化全局轨迹。在第二阶段，我们采用基于 Transformer 的自回归扩散模型，根据轨迹条件生成足球动作。我们进一步在推理过程中引入接触引导模块，以优化球与脚的接触细节。此外，我们贡献了一个包含超过 108 万帧多样化足球动作的大型数据集。广泛的实验结果表明，SMGDiff 在运动质量和条件对齐方面显著优于现有方法。
引用
@article{arxiv.2411.16216,
title = {SMGDiff: Soccer Motion Generation using diffusion probabilistic models},
author = {Hongdi Yang and Chengyang Li and Zhenxuan Wu and Gaozheng Li and Jingya Wang and Jingyi Yu and Zhuo Su and Lan Xu},
journal= {arXiv preprint arXiv:2411.16216},
year = {2024}
}