通过变分相空间学习实现可扩展的群体编舞

从音乐生成群舞动作是一项具有多个工业应用的挑战性任务。尽管已有几种方法被提出以解决这一问题，但大多数方法主要侧重于优化舞蹈动作的真实度，且受到数据集中预设舞者数量的限制。这种局限性阻碍了其在实际应用中的适应性。本研究旨在解决群舞编排的可扩展性问题，同时保持自然性和同步性。具体而言，我们提出了一种基于相位的变分生成模型（phase-based variational generative model），用于学习生成流形上的群舞动作。该方法实现了高保真的群舞动作生成，并能够在仅消耗最少且恒定内存的情况下生成任意数量的舞者动作。我们在两个公开数据集上进行了大量实验，结果表明，所提出的 方法显著优于近期的最先进方法，并且可以扩展到超出训练数据范围的大量舞者。