GAN一生万物，ETH、谷歌用单个序列人口为120人神经动作合成入选SIGGRAPH

发布时间：2025年08月31日 12:18

差异性重大损失。由于可靠的腿部沾染是必需手臂精确度的主要因素之一，科学界在基本中会预测腿部沾染附加并用作 IK 后处理事件来前提沾染。由于肌腱沾染附加 L 被集转成到手臂连续性 M 中会，脊椎知觉的网络可以这样一来在 M 上操作并学习将沾染附加预测为手臂的一部分。

科学界注意到，沾染附加的隐式学习可以造成激活和非激活沾染附加转换过程中会产生伪影。因此，他们提议了一种原先重大损失来帮助沾染附加和腿部反应速度中间的差异性。完全一致地，科学界受限制在每一帧中会通过如下式子（7）最小化沾染附加或腿部反应速度。

锻炼

用于锻炼的完整重大损失如下式子（8）上左图。

为了大大提高结果的稳健性和精确度，科学界将每两个周内层组制备一个块并逐块地锻炼基本。

检验结果

赞善左图 4 示范了手臂多肽二阶潜能，并与 acRNN 和当代汇总连续性 MotionTexture 顺利完成了比较：可以说明了，GANimator 产生了全局骨架叠加，姿态和过渡看起来很自然环境。

下表 1 为 GANimator 与 MotionTexture 和 acRNN 定量比较结果。可以说明了，acRNN 由于收敛于连续性位姿，覆盖面积有限，而 GANimator 转化的手臂很好地覆盖了锻炼多肽。此外，GANimator 连续性在转化可信手臂和保有大众化性中间得到了良好的平衡状态。

赞善左图示范了该连续性用作两个多肽顺利完成锻炼。第一个多肽（左）涵盖相对连续性手臂，第二个多肽（赞善）涵盖较大的手臂。该研究在相应的多肽中会可视化转化的结果（蓝色）及其修补后的近期邻（绿色）的脊椎电影版。可以说明了，转化的结果涵盖来自两个锻炼多肽的内容（详述上述转化大象的动左图）。

赞善左图示范了该研究转化结果与转换成内容并不相同，同时转化结果更生动，例如人走路时手肘位置较高。

。