论文介绍
人体运动建模在计算机图形学、视觉和虚拟现实等许多领域都至关重要。由于需要专门的设备和费力的手动后期发布，因此很难获得高质量的骨骼运动，这需要最大限度地利用现有数据来合成新数据。然而，这是一个挑战，由于人类运动动力学的内在运动随机性，表现在短期和长期。在短期内，一对帧内有很强的随机性，例如，一个帧后面跟着多个可能的帧，导致不同的风格；而从长远来看，存在不确定的动作转换。
在本文中，我们提出了Dynamic Future Net，一个新的深度学习模型，我们通过构建一个在时间随机性方面具有非平凡建模能力的生成模型，明确关注上述运动随机性。鉴于数据量有限，我们的模型可以生成大量具有任意持续时间的高质量运动，以及在空间和时间上具有视觉说服力的变化。我们在各种运动上评估我们的模型，并将其与最先进的方法进行比较。定性和定量结果都显示了我们方法的优越性，因为它具有稳健性、多功能性和高质量。
论文地址
https://dl.acm.org/doi/10.1145/3394171.3413669
