生成对抗图卷积网络用于人类动作合成

合成人体骨架的空间和时间动态仍然是一个具有挑战性的任务，不仅在生成形状的质量方面，还在其多样性方面，尤其是针对特定动作（动作条件）合成逼真的身体运动。本文提出了一种新颖的架构——Kinetic-GAN，该架构结合了生成对抗网络（Generative Adversarial Networks, GAN）和图卷积网络（Graph Convolutional Networks, GCN）的优势，用于合成人体的动力学。所提出的对抗架构可以在局部和整体身体运动中调节多达120种不同的动作，同时通过潜在空间解耦和随机变化提高样本质量和多样性。我们在三个知名数据集上进行了实验，结果表明，Kinetic-GAN在分布质量指标方面显著超越了现有方法，并且能够合成的动作数量超过了一个数量级。我们的代码和模型已公开发布在 https://github.com/DegardinBruno/Kinetic-GAN。