Chorégraphie de groupe contrôlable utilisant la diffusion contrastive
La chorégraphie de groupe pilotée par la musique constitue un défi considérable, tout en offrant un potentiel important pour un large éventail d’applications industrielles. La capacité à générer des mouvements chorégraphiques de groupe synchronisés et visuellement attrayants, parfaitement alignés avec la musique, ouvre des perspectives dans de nombreux domaines tels que le divertissement, la publicité et les performances virtuelles. Toutefois, la plupart des travaux récents ne parviennent pas à produire des mouvements de longue durée de haute fidélité, ou échouent à garantir une expérience contrôlable. Dans ce travail, nous visons à répondre à la demande croissante de génération de chorégraphies de groupe de haute qualité et personnalisables, en assurant efficacement la cohérence et la diversité des mouvements chorégraphiques collectifs. Plus précisément, nous adoptons une approche générative fondée sur la diffusion afin de permettre la synthèse de groupes de danse flexibles en nombre et de séquences chorégraphiques de longue durée, tout en maintenant une cohérence stricte par rapport à la musique d’entrée. Enfin, nous introduisons une stratégie de diffusion contrastive de groupe (GCD – Group Contrastive Diffusion), visant à renforcer les liens entre les danseurs et leur groupe, offrant ainsi la possibilité de contrôler le niveau de cohérence ou de diversité des animations chorégraphiques synthétisées grâce à une technique d’échantillonnage guidée par classificateur. À travers des expérimentations intensives et une évaluation approfondie, nous démontrons l’efficacité de notre méthode pour produire des mouvements chorégraphiques de groupe à la fois captivants visuellement et cohérents. Les résultats expérimentaux montrent que notre approche permet d’atteindre les niveaux souhaités de cohérence et de diversité, tout en préservant la qualité globale de la chorégraphie générée. Le code source est disponible à l’adresse suivante : https://aioz-ai.github.io/GCD