[2023.5.2] Calm: Conditional Adversarial Latent Models for Directable Virtual Characters

摘要

CALM 提出了条件对抗潜模型，用于生成可定向的虚拟角色运动。该方法采用两阶段训练策略：首先预训练动作自编码器学习动作本身的结构，然后通过对抗训练加入控制条件，实现灵活的运动控制。

核心方法

两阶段训练流程

阶段 1：预训练动作自编码器（Motion AE）

• 只用运动捕捉数据，先不管控制条件 c
• 训练 Encoder + Decoder
• 目标：学会把动作 x 编码成 z，再重建回来
• 作用：先学会动作本身的结构

阶段 2：对抗训练，加入条件 c（CALM 核心）

• 加入控制条件 c（方向、速度、动作类型等）
• 加入 Discriminator（判别器）
• 条件生成：根据 c 生成对应的动作
• 对抗学习：判别器区分真假动作，生成器骗过判别器

技术架构

阶段 1: Motion AE
动作 x → Encoder → 潜变量 z → Decoder → 重建动作 x'

阶段 2: Conditional GAN
条件 c + 噪声 → Generator → 动作 x
动作 x → Discriminator → 真/假判断

核心优势

1. 解耦表示：潜变量 z 编码动作结构，条件 c 控制运动属性
2. 灵活控制：可以指定方向、速度、动作类型等
3. 高质量生成：对抗训练保证生成动作的自然性
4. 两阶段稳定：先学结构再学控制，训练更稳定

与相关方法对比

基本信息

• 论文: arXiv:2305.xxxx (2023.5.2)
• 会议: 待确认
• 领域: 角色动画，对抗生成，条件控制

启发

CALM 展示了对抗生成在角色动画中的应用，通过两阶段训练实现了稳定的条件控制。与扩散模型相比，GAN 的优势在于推理速度快，适合实时应用；劣势在于训练稳定性较差。CALM 的两阶段策略有效缓解了这一问题。

笔记来源: 滴答清单
创建时间: 2026-03-22