Un nouveau partenaire de danse : la danse pluraliste conditionnée par la musique contrôlée par plusieurs genres chorégraphiques

Lorsqu’ils inventent des phrases de mouvement, les chorégraphes ont tous des habitudes propres, en raison de leur familiarité avec des genres chorégraphiques spécifiques auxquels ils sont habitués. Ils ont donc tendance à revenir à des schémas particuliers propres à ces genres. Et si l’intelligence artificielle pouvait aider les chorégraphes à fusionner plusieurs genres chorégraphiques en proposant diverses danses adaptées à leur style créatif ? De nombreuses variantes spécialisées de réseaux autoregressifs ont été développées pour la génération de danse. Toutefois, une limitation majeure persiste : toutes les méthodes existantes produisent des motifs répétitifs à partir d’une même séquence initiale de postures, ce qui peut nuire à la qualité. Pour atténuer ce problème, nous proposons MNET, une approche originale et évolutif capable de générer de manière pluraliste, conditionnée par la musique, des séquences chorégraphiques combinant plusieurs genres dansés, en utilisant un seul modèle. Nous apprenons une représentation latente sensible aux genres chorégraphiques en entraînant un réseau génératif adversaire conditionnel basé sur l’architecture Transformer. Nous menons des expériences approfondies sur le jeu de données AIST++ ainsi que des études utilisateurs. Par rapport aux méthodes de pointe, notre approche produit des sorties plausibles et diversifiées selon plusieurs genres chorégraphiques, tout en générant des séquences de danse supérieures, tant sur le plan qualitatif que quantitatif.