Taming Diffusion Probabilistic Models for Character Control

我们提出了一种新颖的角色控制框架，有效地利用运动扩散概率模型生成高质量和多样化的角色动画，实时响应各种动态的用户控制信号。我们方法的核心是基于Transformer的条件自回归运动扩散模型(CAMDM)，它以角色的历史运动为输入，并可以生成一系列多样化的潜在未来运动，以高级、粗略的用户控制为条件。为了满足实时控制器所需的多样性、可控性和计算效率，我们融合了几个关键的算法设计。这些设计包括分离的条件标记化、过去运动的无分类器指导和启发式未来轨迹扩展，所有这些都是为了解决驯服角色控制的运动扩散概率模型所面临的挑战。因此，我们的工作代表了第一个基于用户交互控制实时生成高质量、多样化角色动画的模型，支持用单一统一模型以多种风格来动画角色。我们在各种移动技能的不同数据集上评估了我们的方法，证明了我们的方法比现有的角色控制器更优秀。项目页面和源代码：https://aiganimation.github.io/CAMDM/

论文旨在提出一种新的角色控制框架，利用运动扩散概率模型生成高质量和多样化的角色动画，实时响应各种动态的用户控制信号。具体而言，论文试图解决如何在实时控制下生成高质量、多样化的角色动画的问题。

论文的关键思路是使用基于Transformer的条件自回归运动扩散模型（CAMDM），该模型以角色的历史运动为输入，并可以生成一系列多样化的潜在未来运动，这些运动受到高级、粗略的用户控制的限制。为了满足多样性、可控性和计算效率的要求，论文采用了多个算法设计，包括分离的条件标记化、过去运动的无分类器指导和启发式未来轨迹扩展等。

论文的亮点包括实时生成高质量、多样化的角色动画，支持使用单一统一模型以多种风格来动画角色。实验结果表明，与现有的角色控制器相比，该方法具有更好的性能。此外，论文还提供了项目页面和源代码。

在这个领域中，最近的相关研究包括使用GAN生成角色动画的研究（例如：Learning to Animate 3D Characters from Scratch）。