201
在动画和机器人技术等领域，文本引导的人体运动生成一直备受关注。近期，运动生成的扩散模型的应用已经提高了生成运动的质量。然而，现有的方法由于依赖相对小规模的运动捕捉数据，导致在更多样化、实际环境中的提示上表现不佳。
在论文中，研究人员介绍了Make-An-Animation，这是一种文本驱动的人体运动生成模型，它从大规模的图像文本数据集中学习更多样的姿态和提示，从而显著提高了性能，超越了之前的工作。
Make-An-Animation的训练分为两个阶段。首先，研究人员在精选的大规模数据集上进行训练，这些数据集包含从图像文本数据集中提取的（文本，静态伪姿态）对。其次，他们在运动捕捉数据上进行微调，添加额外的层来模拟时间维度。
与之前的运动生成扩散模型不同，Make-An-Animation使用了类似于最近的文本到视频生成模型的U-Net架构。人类对运动真实性和与输入文本的对齐进行的评估显示，模型在文本到运动生成上达到了最新的性能。
参考资料：
