보조 공간에서의 Gumbel-Softmax 샘플링을 통한 다양한 인간 운동 예측

다양한 인간 운동 예측은 관측된 자세 시계열로부터 다수의 가능성이 있는 미래 자세 시계열을 예측하는 것을 목표로 한다. 기존의 접근 방식은 일반적으로 깊은 생성 모델을 활용하여 데이터의 조건부 분포를 모델링한 후, 이 분포에서 무작위로 결과를 샘플링한다. 이러한 방식은 다양한 결과를 도출할 수는 있으나, 주로 가장 가능성 높은 결과들만을 포함하게 되어 다양성 측면에서 한계가 있다. 최근 연구에서는 결정론적 네트워크를 통해 조건부 분포의 여러 모드를 명시적으로 학습하는 방법이 제안되었으나, 이는 제한된 범위 내에서 고정된 수의 모드만을 다룰 수 있는 한계가 있다. 본 논문에서는 깊은 생성 모델이 학습한 비균형 다모달 분포로부터 매우 다양한 결과를 샘플링할 수 있는 새로운 샘플링 전략을 제안한다. 제안하는 방법은 보조 공간을 생성하고, 이 보조 공간에서 무작위 샘플링이 타깃 분포에서의 다양성 있는 샘플링과 동등하게 작동하도록 지능적으로 설계함으로써 효과적으로 다양한 결과를 도출한다. 또한, 이러한 새로운 샘플링 전략을 구현하기 위한 간단하면서도 효과적인 네트워크 아키텍처를 제안하며, 이는 Gumbel-Softmax 계수 행렬 샘플링 방식과 공격적인 다양성 촉진 허프 손실 함수를 포함한다. 광범위한 실험을 통해 제안한 방법이 기존 최고 수준의 샘플링 기법에 비해 샘플링의 다양성과 정확도 모두에서 크게 향상됨을 입증하였다. 코드와 사전 훈련된 모델은 https://github.com/Droliven/diverse_sampling 에서 제공된다.