面向高度受限人体运动生成：基于检索引导的扩散噪声优化

生成满足自定义零样本目标函数的人体运动，使其能够应用于可控角色动画和虚拟代理行为合成，是关键能力。虽然当前方法处理许多未见约束，但在面对如严重空间障碍或指定步行步数等极具挑战的时空限制时仍显不足。为赋能运动生成器处理这些高度受限任务，我们提出一种基于训练自由扩散噪声优化框架的检索引导方法。核心思想是从大型运动数据集中搜索可可能满足难以约束的参考。我们引入关系任务解析，将目标约束分组并识别需由检索参考处理的难以解决约束。随后通过奖励引导的掩码获取更佳的扩散噪声初始化，该掩码将随机噪声与检索噪声组合。通过从改进初始化优化扩散噪声，我们成功解决了高度受限生成任务。利用 LLM 实现关系任务解析，整个框架能够自动推理检索内容，在训练自由优化方案下提升移动代理的智能水平。