摘要

扩散模型因其强大的生成能力已成为人类动作合成的热门选择。然而，其高计算复杂度和大量的采样步骤对实时应用构成了挑战。幸运的是，一致性模型（Consistency Model, CM）提供了一种解决方案，可以将采样步骤从数百次大幅减少到几次，通常少于四次，显著加速了扩散模型的合成过程。然而，将CM应用于基于文本条件的人类动作在潜在空间中的合成时，生成结果不尽如人意。在本文中，我们介绍了一种分阶段的一致性模型方法——MotionPCM，旨在提高潜在空间中实时动作合成的质量和效率。我们在HumanML3D数据集上的实验结果显示，该模型在单次采样步骤中实现了超过30帧每秒的实时推理速度，并且在FID指标上比之前的最先进方法提高了38.9%。代码将公开以供复现。