UnityGraph: 多人物运动预测的时空特征统一学习

多人运动预测是一个复杂且新兴的领域，具有重要的实际应用价值。当前最先进的方法通常采用双路径网络分别建模空间特征和时间特征。然而，这两种网络之间的不确定兼容性为时空特征融合带来了挑战，并且违背了人类运动固有的时空一致性和耦合性。为解决这一问题，我们提出了一种新型图结构UnityGraph，将时空特征视为整体，增强模型的连贯性和耦合性。具体而言，UnityGraph是一种基于超图的网络。超图的灵活性使我们能够将观测到的运动视为图节点。然后我们利用超边连接这些节点以探索时空特征。这一视角将时空动态统一考虑，并将多人运动预测重新表述为单个图上的问题。基于该超图的动态消息传递，我们的模型从两种类型的关系中动态学习，生成反映节点间相关性的目标消息。在多个数据集上的广泛实验表明，我们的方法取得了最先进的性能，验证了其有效性和创新设计。