Skalierbare Gruppenchoreografie durch variationelle Phasenmannigfaltigkeitslernen

Die Generierung von Gruppentanzbewegungen aus Musik ist eine herausfordernde Aufgabe mit zahlreichen Anwendungen in der Industrie. Obwohl verschiedene Methoden vorgeschlagen wurden, um dieses Problem anzugehen, legen die meisten von ihnen den Schwerpunkt auf die Optimierung der Treue in den Tanzbewegungen und sind durch vorbestimmte Tänzerzahlen in Datensätzen eingeschränkt. Diese Einschränkung behindert die Anpassungsfähigkeit für reale Anwendungen. Unsere Studie befasst sich mit dem Skalierungsproblem in der Gruppenchoreografie, wobei wir sowohl die Natürlichkeit als auch die Synchronisation bewahren. Insbesondere schlagen wir ein phasenbasiertes variationales generatives Modell vor, das zur Erstellung von Gruppentanzbewegungen dient und eine generative Mannigfaltigkeit lernt. Unsere Methode erreicht hochwertige Gruppentanzbewegungen und ermöglicht die Generierung mit einer unbegrenzten Anzahl von Tänzern, während sie nur einen minimalen und konstanten Speicherbedarf hat. Intensive Experimente mit zwei öffentlichen Datensätzen zeigen, dass unser vorgeschlagener Ansatz deutlich über aktuellen Stand-der-Kunst-Methoden hinausgeht und auf eine große Anzahl von Tänzern skaliert werden kann, die weit über den Trainingsdaten hinausgeht.