基于先验补偿的时序持续学习在人类运动预测中的应用

人类运动预测（Human Motion Prediction, HMP）旨在根据过去的运动序列预测不同时刻的未来姿态。以往方法将各种时刻的预测视为等价，导致两个主要局限：短期预测的学习受长期预测关注的影响，以及先验信息难以有效融入后续预测。本文提出一种新型的多阶段训练框架，称为时序持续学习（Temporal Continual Learning, TCL），以解决上述挑战。为更好地保留先验信息，我们引入了先验补偿因子（Prior Compensation Factor, PCF），并将其纳入模型训练以补偿丢失的先验信息。进一步通过理论推导，我们得出更合理的优化目标。值得注意的是，我们的TCL框架可轻松集成到不同的HMP骨干模型中，并适用于各种数据集和应用场景。四个HMP基准数据集上的大量实验表明，TCL在有效性和灵活性方面均优于现有方法。代码已公开于https://github.com/hyqlat/TCL。