Generative Adversarial Graph Convolutional Networks für die Synthese menschlicher Bewegungen

Die Synthese der räumlichen und zeitlichen Dynamik des menschlichen Körperskeletts bleibt eine herausfordernde Aufgabe, nicht nur hinsichtlich der Qualität der generierten Formen, sondern auch ihrer Vielfalt, insbesondere bei der Erstellung realistischer Körperbewegungen für eine spezifische Aktion (Aktionseingabe). In dieser Arbeit schlagen wir Kinetic-GAN vor, eine neuartige Architektur, die die Vorteile von Generativen Adversarial Networks (GANs) und Graph Convolutional Networks (GCNs) nutzt, um die Kinematik des menschlichen Körpers zu synthetisieren. Die vorgeschlagene adversarische Architektur kann bis zu 120 verschiedene Aktionen sowohl in lokalen als auch in globalen Körperbewegungen konditionieren und gleichzeitig durch latente Raumdisentanglement und stochastische Variationen die Stichprobenqualität und -vielfalt verbessern. Unsere Experimente wurden anhand dreier bekannter Datensätze durchgeführt, bei denen Kinetic-GAN hinsichtlich der Verteilungsqualitätsmetriken erheblich die Standesder-Technik-Methoden übertrifft und gleichzeitig die Fähigkeit besitzt, mehr als ein Größenordnung höher anzahl verschiedener Aktionen zu synthetisieren. Unser Code und unsere Modelle sind öffentlich verfügbar unter https://github.com/DegardinBruno/Kinetic-GAN.请注意,"standesder-Technik-Methoden" 是 "state-of-the-art methods" 的德语直译,但通常在德语文献中会使用 "Stand der Technik" 这个短语。因此,这里将其调整为 "Standesder-Technik-Methoden" 以保持句子的流畅性和可读性。