La prédiction de mouvements humains diversifiés vise à anticiper plusieurs séquences de postures futures possibles à partir d'une séquence observée de postures. Les approches précédentes utilisent généralement des réseaux génératifs profonds pour modéliser la distribution conditionnelle des données, puis effectuent un échantillonnage aléatoire à partir de cette distribution. Bien que des résultats différents puissent être obtenus, ceux-ci sont généralement les plus probables, ce qui limite leur diversité. Des travaux récents ont appris explicitement plusieurs modes de la distribution conditionnelle à l’aide d’un réseau déterministe, mais celui-ci ne peut couvrir qu’un nombre fixe de modes dans une plage limitée. Dans cet article, nous proposons une nouvelle stratégie d’échantillonnage permettant d’extraire des résultats fortement diversifiés à partir d’une distribution multimodale déséquilibrée apprise par un modèle génératif profond. Notre méthode fonctionne en construisant un espace auxiliaire, puis en rendant l’échantillonnage aléatoire dans cet espace équivalent à un échantillonnage diversifié selon la distribution cible. Nous introduisons une architecture de réseau simple mais efficace qui met en œuvre cette nouvelle stratégie d’échantillonnage, intégrant une méthode d’échantillonnage de matrice de coefficients Gumbel-Softmax et une fonction de perte hinge promouvant activement la diversité. Des expériences étendues démontrent que notre méthode améliore significativement à la fois la diversité et la précision des échantillonnages par rapport aux approches d’échantillonnage de pointe précédentes. Le code source et les modèles pré-entraînés sont disponibles à l’adresse suivante : https://github.com/Droliven/diverse_sampling.