Nous montrons que la synthèse du mouvement humain conditionné à un ensemble de clichés clés peut être réalisée de manière plus précise et plus efficace si un interpolateur basé sur l'apprentissage profond fonctionne en mode delta, en utilisant l'interpolation linéaire sphérique comme référence de départ. Nous démontrons empiriquement la force de notre approche sur des jeux de données disponibles publiquement, atteignant des performances de pointe. Nous généralisons également ces résultats en montrant que le régime Δ est viable par rapport à la référence fournie par le dernier cadre connu (également connu sous le nom de modèle à vitesse nulle). Ceci soutient une conclusion plus générale : opérer dans un repère local aux cadres d'entrée est plus précis et plus robuste que d'utiliser un repère global (monde), comme cela était recommandé dans les travaux antérieurs. Notre code est disponible publiquement à l'adresse suivante : https://github.com/boreshkinai/delta-interpolator.