BAMM：双向自回归运动模型

从文本生成人类动作的研究长期以来主要依赖于去噪运动模型，这些模型通过扩散过程或生成式掩码机制实现。然而，这类模型在实际应用中存在显著局限性，即必须预先知晓动作的长度。相比之下，自回归运动模型通过自适应预测动作的终点，克服了这一限制，但代价是生成质量与编辑能力的下降。为解决上述挑战，我们提出了一种新型的文本到动作生成框架——双向自回归运动模型（Bidirectional Autoregressive Motion Model, BAMM）。BAMM包含两个核心组件：（1）一个动作分词器（motion tokenizer），可将三维人体动作映射到潜在空间中的离散令牌；（2）一种采用混合注意力掩码策略的掩码自注意力Transformer，能够自回归地预测随机掩码的令牌。通过融合生成式掩码建模与自回归建模的优势，BAMM能够捕捉动作令牌之间的丰富双向依赖关系，同时学习从文本输入到动作输出的概率映射，并支持动态调整动作序列长度。这一特性使得BAMM在保持高生成质量的同时，显著提升了模型的可用性与内置动作编辑能力。在HumanML3D和KIT-ML数据集上的大量实验表明，BAMM在定性与定量指标上均超越了当前最先进的方法。项目主页详见：https://exitudio.github.io/BAMM-page