RecMoDiffuse: Recurrent Flow Diffusion for Human Motion Generation

人类动作生成在计算机动画中具有至关重要的意义。由于人类动作的巨大可能性、人类对运动连贯性的高度敏感性以及准确生成细微动作的困难性，这是一项具有挑战性的生成时间建模任务。最近，由于其高样本质量和表现力，扩散方法已被提出用于人类运动生成。然而，生成的序列仍然存在运动不连贯的问题，而且仅限于短时间、简单的运动，并在推理过程中需要相当长的时间。为了解决这些限制，我们提出了一种新的循环扩散形式——“RecMoDiffuse: 循环流扩散”，用于时间建模。与以前的方法不同，该方法在扩散过程中使用归一化流模型明确地强制执行时间约束，从而将扩散扩展到时间维度。我们在人类运动的时间建模中展示了RecMoDiffuse的有效性。我们的实验表明，RecMoDiffuse在生成连贯的运动序列和减少推理阶段的计算开销方面取得了与最先进方法相当的结果。

本论文解决的问题是在计算机动画中生成人类运动的挑战性问题，包括生成的序列缺乏运动一致性、仅限于短时间和简单运动以及推理过程中需要相当长的时间。

本文提出了一种新的循环扩散方法，名为RecMoDiffuse，用于人类运动的时间建模。与以前的方法不同，RecMoDiffuse在扩散过程中显式地强制执行时间约束，从而扩展了扩散到时间维度。

本文的亮点包括使用新的循环扩散方法来生成人类运动序列，能够生成连贯的运动序列并减少推理阶段的计算开销。实验结果表明RecMoDiffuse在生成运动序列的质量和时间一致性方面与最先进的方法相当。本文还使用了公开数据集，并开源了代码。

最近在这个领域中，还有一些相关的研究，例如：'Flow-based generative models for human motion synthesis: A survey'、'Learning to Generate Time-Lapse Videos Using Multi-stage Dynamic Generative Adversarial Networks'和'Style and Pose Control for Image Synthesis of Humans from a Single Monocular View'。