Core Concepts
개인 정보를 활용하여 상호작용 간 개인 동작의 다양성과 정확성을 높일 수 있다.
Abstract
이 논문은 인간-인간 상호작용 동작을 생성하는 새로운 모델인 in2IN을 제안한다. in2IN은 전체 상호작용 설명뿐만 아니라 각 개인의 동작 설명도 활용하여 상호작용 간 개인 동작의 다양성과 정확성을 높인다.
구체적으로 in2IN은 시amese 구조의 diffusion 모델로, 각 개인의 동작을 생성하는 두 개의 네트워크로 구성된다. 각 네트워크는 개인 동작 설명을 활용하여 개인 동작의 내적 역학을 모델링하고, 상호작용 설명을 활용하여 개인 간 역학을 모델링한다.
또한 저자들은 multi-weight CFG 기법을 제안하여 개인 및 상호작용 설명이 생성 과정에 미치는 영향을 독립적으로 조절할 수 있다.
추가로 저자들은 DualMDM이라는 모델 합성 기법을 제안하여, in2IN 모델과 개인 동작 prior 모델을 결합함으로써 상호작용 내 개인 동작의 다양성을 더욱 높일 수 있다.
실험 결과, in2IN은 기존 방법들보다 우수한 성능을 보였으며, DualMDM을 통해 개인 동작의 다양성도 향상되었다.
Stats
상호작용 설명과 개인 동작 설명을 활용하면 상호작용 내 개인 동작의 다양성과 정확성을 높일 수 있다.
Multi-weight CFG 기법을 통해 개인 및 상호작용 설명이 생성 과정에 미치는 영향을 독립적으로 조절할 수 있다.
DualMDM 모델 합성 기법을 통해 상호작용 모델과 개인 동작 prior 모델을 결합하여 개인 동작의 다양성을 더욱 향상시킬 수 있다.
Quotes
"개인 정보를 활용하여 상호작용 간 개인 동작의 다양성과 정확성을 높일 수 있다."
"Multi-weight CFG 기법을 통해 개인 및 상호작용 설명이 생성 과정에 미치는 영향을 독립적으로 조절할 수 있다."
"DualMDM 모델 합성 기법을 통해 상호작용 모델과 개인 동작 prior 모델을 결합하여 개인 동작의 다양성을 더욱 향상시킬 수 있다."