摘要
近年来，基于扩散模型的人体动作生成技术取得了显著进展，能够生成高度逼真的单人动作。然而，现有方法大多忽视了多人之间的交互行为。本文提出InterGen，一种基于扩散模型的有效方法，将人与人之间的交互关系融入动作生成过程，仅需文本引导即可让普通用户自定义高质量的双人交互动作。首先，我们构建了一个多模态数据集，命名为InterHuman。该数据集包含约1.07亿帧的多样化双人交互动作，涵盖精确的骨骼运动信息以及23,337条自然语言描述，为交互动作建模提供了丰富且高质量的数据支持。在算法层面，我们针对双人交互场景对运动扩散模型进行了精心设计。为应对交互过程中人物身份对称性问题，我们提出两个基于Transformer的协作去噪器（cooperative denoisers），通过显式共享参数，并引入互注意力机制（mutual attention mechanism）以进一步关联两个去噪过程，增强交互建模能力。此外，我们提出一种新颖的运动输入表示方法，在世界坐标系下显式建模两名表演者之间的全局关系。为进一步编码空间关系，我们设计了两个新型正则化项，并在训练过程中引入相应的阻尼机制（damping scheme），以提升模型对空间约束的建模能力。大量实验验证了InterGen在生成效果与泛化能力方面的优越性。结果表明，相较于现有方法，InterGen能够生成更加多样且更具表现力的双人交互动作，同时支持多种下游应用，为复杂人机交互场景下的动作生成提供了有力工具。