Geometric Neural Distance Fields for Learning Human Motion Priors

我们提出神经黎曼运动场（NRMF）——一种创新的三维生成式人体运动先验模型，能够实现鲁棒、时序一致且物理合理的三维运动重建。与现有的VAE或扩散模型方法不同，我们提出的高阶运动先验显式地将人体运动建模为对应姿态、转移（速度）和加速度动态的神经距离场（NDF）零水平集。该框架具有严谨的理论基础：我们的NDF构建在关节旋转、角速度及角加速度的乘积空间上，严格遵循底层关节结构的几何特性。我们进一步引入：（1）一种新型自适应步长混合算法，用于在合理运动集合上进行投影计算；（2）一种创新几何积分器，在测试时优化和生成过程中实现真实运动轨迹的"展开"。实验结果表明显著且一致的性能提升：在AMASS数据集上训练后，NRMF能够出色地泛化至多种输入模态，并适应去噪、运动插值、基于部分二维/三维观测的运动拟合等多样化任务。项目页面详见此处。