Die Studie präsentiert einen neuen Ansatz namens Diffusion Noise Optimization (DNO), der es ermöglicht, bestehende Bewegungsdiffusionsmodelle als universelle Bewegungspriors für eine Vielzahl von bewegungsbezogenen Aufgaben zu nutzen. Anstatt für jede neue Aufgabe ein aufgabenspezifisches Diffusionsmodell zu trainieren, optimiert DNO den Diffusionsrauschwert eines vortrainierten Text-zu-Bewegung-Modells. Durch Rückpropagation des Gradienten von einer auf dem Bewegungsraum definierten Zielfunktion durch den gesamten Entlärmungsprozess kann DNO den Diffusionsrauschwert aktualisieren.
DNO unterstützt alle Anwendungsfälle, in denen eine Zielfunktion als Bewegungsfunktion definiert werden kann. Insbesondere zeigt die Studie, dass DNO bei Bewegungsbearbeitung und -steuerung bestehende Methoden sowohl in Bezug auf die Zielerreichung als auch auf die Bewahrung der Bewegungsinhalte übertrifft. DNO unterstützt eine Vielzahl von Bearbeitungsmodi wie Änderung der Trajektorie, Pose, Gelenkposition oder Vermeidung neu hinzugefügter Hindernisse. Darüber hinaus ist DNO bei der Bewegungsverfeinerung und -vervollständigung effektiv und erzeugt glatte und realistische Bewegungen aus verrauschten und unvollständigen Eingaben.
DNO erreicht diese Ergebnisse in der Inferenzphase ohne die Notwendigkeit eines erneuten Modelltrainings und bietet damit große Flexibilität für jede definierte Belohnungs- oder Verlustfunktion auf der Bewegungsrepräsentation.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Korrawe Karu... pada arxiv.org 04-04-2024
https://arxiv.org/pdf/2312.11994.pdfPertanyaan yang Lebih Dalam