摘要
近年来，随机运动预测（stochastic motion prediction）——即根据单一的历史姿态序列预测多种可能的未来人体运动——取得了显著进展，已能够生成真正多样的未来运动，并实现对部分身体部位运动的可控性。然而，现有最先进方法需学习多个映射以实现多样性，同时还需专门设计的模型来支持可控运动预测，导致系统复杂度较高。本文提出一种统一的深度生成网络，用于同时实现多样性和可控性运动预测。基于“真实人体运动由一系列平滑且有效的姿态构成”这一直观认知，我们进一步认为：在数据有限的情况下，学习姿态先验（pose prior）比学习完整运动先验更为可行。据此，我们设计了一种分步预测不同身体部位运动的生成器，并引入基于归一化流（normalizing flow）的姿态先验模型，辅以联合角度损失（joint angle loss），以提升生成运动的真实性。在两个标准基准数据集Human3.6M和HumanEva-I上的实验结果表明，本方法在样本多样性与预测准确性方面均优于当前最先进基线方法。代码已开源，地址为：https://github.com/wei-mao-2019/gsps。