摘要

人体动作建模在众多现代图形应用中具有重要意义，但传统方法通常需要专业技能支持。为降低非专业人士的使用门槛，近年来涌现出一系列基于自然语言输入直接生成人体动作的方法。然而，如何在多种文本输入下实现多样化且细粒度的动作生成，仍是当前面临的关键挑战。为此，我们提出MotionDiffuse——首个基于扩散模型的文本驱动动作生成框架，相较于现有方法展现出多项优越特性：1）概率化映射：与传统的确定性语言-动作映射不同，MotionDiffuse通过一系列去噪步骤生成动作，过程中引入随机性，从而实现动作的多样生成；2）逼真合成能力：MotionDiffuse擅长建模复杂的数据分布，能够生成生动自然的动作序列；3）多层级可控性：该框架可响应针对身体部位的细粒度指令，并支持基于随时间变化的文本提示进行任意长度的动作合成。 实验结果表明，MotionDiffuse在文本驱动动作生成与动作条件驱动动作生成任务上，均显著优于现有最先进（SoTA）方法。定性分析进一步验证了MotionDiffuse在综合性动作生成中的高度可控性与生成质量。项目主页：https://mingyuan-zhang.github.io/projects/MotionDiffuse.html