安东尼·波拉赫德;罗伯特·格雷;关晓东;瑞恩·赖斯·格里菲斯;阿什瓦尼·贾;帕拉什凯夫·纳切夫 人体运动生成模型的层次图卷积变分自动编码。 arXiv:2111.12602 预印本，arXiv:2111.12602[cs.CV]（2021）。 概述：人体运动模型通常侧重于轨迹预测或动作分类，但很少两者兼而有之。人类运动的显著异质性和复杂组合性使得每项任务都容易受到现实场景中常见的数据退化和分布变化的影响。在理论上，一个具有足够表达力的行为生成模型可以在适用于这两项任务的统一框架内实现数据调节和分布弹性。在这里，我们提出了一种基于分层变分自编码器和深度图卷积神经网络的新结构，用于生成多时间尺度上的整体行为模型。我们证明了这种分层图卷积变分自动编码器（HG-VAE）能够生成相干动作，检测出分布外数据，并通过模型后验的梯度上升来插补缺失数据。在H3.6M和最大的开放源代码人体运动数据集AMASS上进行了训练和评估，我们发现HG-VAE比基线模型更能促进下游辨别性学习。 BibTeX公司 引用 \textit{A.Bourached}等人，“人类运动生成模型的层次图卷积变分自动编码”，预打印，arXiv:2111.12602[cs.CV]（2021） 全文： arXiv公司 OA许可证 arXiv数据来自arXiv OAI-PMH API.如果你发现了错误，请直接向arXiv报告.