摘要

文本到动作合成是计算机视觉领域的一项关键任务。现有方法在通用性方面存在局限，通常仅针对单人或双人场景进行设计，难以扩展至多人动作生成。为实现无需指定人数的动作合成，本文重新审视了动作生成问题，提出通过条件动作分布统一建模单人与多人动作生成。此外，本文设计了生成模块与交互模块，构建了FreeMotion框架，将条件动作生成过程与交互建模解耦，从而实现真正意义上的无人数限制动作合成。同时，基于该框架，现有的单人动作空间控制方法可无缝集成，进而实现对多人动作的精确控制。大量实验结果表明，所提方法在性能上显著优于现有方法，并具备同时推断单人与多人动作的能力。