Mathis Petrovich-2021-Action-Conditioned-3D-Human-Motion-Synthesis-with-Transformer-VAE-CVPR

# Action-Conditioned 3D Human Motion Synthesis With Transformer VAE #paper

1. paper-info

1.1 Metadata

1.2. Abstract

We tackle the problem of action-conditioned generation of realistic and diverse human motion sequences. In contrast to methods that complete, or extend, motion sequences, this task does not require an initial pose or sequence. Here we learn an action-aware latent representation for human motions by training a generative variational autoencoder (VAE). By sampling from this latent space and querying a certain duration through a series of positional encodings, we synthesize variable-length motion sequences conditioned on a categorical action. Specifically, we design a Transformer-based architecture, ACTOR, for encoding and decoding a sequence of parametric SMPL human body models estimated from action recognition datasets. We evaluate our approach on the NTU RGB+D, HumanAct12 and UESTC datasets and show improvements over the state of the art. Furthermore, we present two use cases: improving action recognition through adding our synthesized data to training, and motion denoising.

2. Introduction

  • 领域：
    • 给定一个语义操作标签semantic action label，生成语义对应的动作序列。不同于之前的动作生成任务，之前的动作生成任务都是在给定历史动作序列去预测未来动作序列。该领域在虚拟现实和角色控制中有所应用。
  • 作者的方法：
    • an action-conditioned generative model
    • a Transformer-based encoder-decoder architecture
    • VAE
    • SMPL：可以通过关节点或者人体表面描点来描述人体结构。
    • 能够一次性输出全部的人体动作序列。

3. Action-Conditioned Motion Generation

Problem definition
人体行为可以通过人身体部位的旋转来定义，并且独立于人体的体型。为了能够产生具有不同形态学的人体动作，需要将人体姿势与人体体型解耦。为了这个问题，作者使用了SMPL模型。
定义：
行为标签：\(a \in A\),\(A\)表示行为分类集合。
人体姿势：\(R_1,..,R_T\)
根关节点的平移顺序：\(D_1,..,D_T;D_T\in \mathbb{R}^3\)
Motion representation
SMPL对每一帧的人体姿态特征表示为：23个人体关节点的旋转和一个全局旋转。作者沿用这种方式，使用6D旋转表征-->\(R_t\in \mathbb{R}^{24\times 6}\)
定义：
输入\(P_t\): \(R_t\)和\(D_t\)的集合
输出：
\(V_t\)：人体网格向量
\(J_t\)：身体关节坐标

3.1 Conditional Transformer VAE for Motions


Fig.1. 网络结构

Source:

Encoder：
输入：

  • \(a\)：action
  • \(P_1,...,P_T\)：任意长度的动作序列
    输出：
  • \(\mu\)：潜在变量的均值
  • \(\sum\)：潜在变量的方差
    结构：
  • \(\mu_a^{token},\sum_a^{token}\)：可学习的类-token。
  • linear projection：将\(P_i\)映射到\(\mathbb{R}^d\)空间
  • PE： 位置编码，沿用传统的sinusoidal functions
  • Transformer Encoder：处理时间维度的信息。
    Decoder：
    输入：
  • \(z \in M\) : 潜在变量，通过同参数技巧采样而来
  • \(a\)：action label
  • duration T：时间
    输出：
  • \(\hat{P}_1,...,\hat{P}_T\)：生成的动作序列。
    结构， 同经典的Transformer decoder
  • \(b_a^{token}\)：可以学习的偏置，将潜在表征转移到与动作相关的空间。

3.2. Training

3种损失函数

  1. Reconstruction loss on pose parameters\(\mathcal{L}_P\)
  2. Reconstruction on vertex coordinates\(\mathcal{L}_V\)
  3. KL loss\(\mathcal{L}_{KL}\) ：VAE的损失函数

4. Experiments

4.1. datasets and metrics

  • datasets
    • NTU RGB+D dataset
    • HumanAct12 dataset
    • UESTC dataset
  • Evaluation metrics
    • FID
    • action recognition accuracy
    • overall diversity
    • per-action diversity

4.2. Ablation study

Reconstruction loss


Fig.2. Reconstruction loss

Source:

Root translation:
根关节点位移对实验结果的影响。


Fig.3. Generating the 3D root translation

Source:

Architecture design
比较不同网络结构对结果的影响


Fig.4. 网络结构

Source:

Training with sequence of variable durations
固定输入时间步长，预测变时间步长的动作；和输入变化时间步长的序列做预测


Fig.5. 生成不同时间长度的序列

Source:

5. 总结

该文章解决的问题是通过行为标签，来生成对应的动作序列，基于CVAE和transformer。
重点在于：

  • 以何种方式来表示人体结构，我已知的有人体骨架，人体表面网格。
  • 以何种网络结构来学习动作序列中的特征分布。
  • 对实验进行充分的分析，损失函数、网络结构、baseline。以及应用。
posted @ 2022-11-06 15:21  GuiXu40  阅读(74)  评论(0)  编辑  收藏  举报