摘要
近年来，图卷积网络（Graph Convolutional Networks, GCNs）在人体运动预测领域占据了主导地位。各种类型的图卷积方法已被提出，每种方法都经过精心设计并融入了复杂的网络架构中。本文突破了现有知识的局限，提出了通用图卷积（Universal Graph Convolution, UniGC），这是一种新颖的图卷积概念，可以将不同的图卷积方法视为其特例。基于 UniGC 在网络层面的应用，我们提出了 GCNext，一种新的构建 GCN 的范式，该范式能够动态地确定最适合的图卷积方法，既可以在样本级别也可以在层级别进行。GCNext 提供了多种应用场景，包括从头开始训练一个新的 GCN 或者改进一个已有的 GCN。在 Human3.6M、AMASS 和 3DPW 数据集上的实验表明，通过独特的模块到网络设计，GCNext 的计算成本比现有的 GCN 方法降低了多达 9 倍，并且实现了最先进的性能。