©作者 | 徐良

单位 | 上海交通大学

本文的主要贡献为： 

1. 提出了基于 GAN 和 Transformer混合架构的通用 3D 人体动作生成框；

2. 不仅能够实现单人动作生成，还能拓展到多人交互式动作生成； 

3. 基于 GTA 游戏引擎构造了一个合成的多人打架数据集，包括2～5个人同时交互，现已开源。

▲ 图1. Actformer支持多种类型的人体动作表征，支持单人/多人动作生成

论文标题：

ActFormer: A GAN-based Transformer towards General Action-Conditioned 3D Human Motion Generation

论文地址：

https://arxiv.org/pdf/2203.07706.pdf

代码地址：

https://github.com/Szy-Young/actformer

项目主页：

https://liangxuy.github.io/actformer

简介

3D 人体动作生成是计算机视觉和图形学中的经典问题，近期通过文本描述生成人体动作的研究方向（text-to-motion）更是吸引了大量关注，其对于游戏、AR/VR、人机交互、具身智能等实际应用有重要的现实意义。本研究旨在探索给定动作类别标签，生成高质量的、多样化的 3D 人体动作序列。

我们发现，现有的相关工作在以下几个方面存在一定局限性：

1. 大多工作局限于人体 SMPL [5] 参数模型表征的 3D 人体动作，而对于骨架坐标表征泛化性能差；

2. 大多工作关注单人动作生成，而忽略了多人交互动作的生成。

因此，我们希望设计一种更加通用的、能够支持多种类型的人体动作表征的、支持单人/多人动作生成的 3D 人体动作生成框架。

具体方法

如下图所示，给定一个动作类别语义标签 ，以及从隐式高斯过程先验中采样的 ，Actformer 能够生成一段 人体动作序列 ，每一帧 包含 个个体，即 ，其中人的动作包括全局的根节点位移和局部的人体位姿变化，即人的全局运动轨迹和局部关节运动，对于局部关节运动，我们支持骨架坐标或者 SMPL 参数模型表示。

▲ 图2. Actformer框架图

2.1 单人动作生成

时序连贯性对 3D 动作生成任务至关重要，因此我们采用高斯过程作为隐式先验，并随机采样一个维度为 的向量作为 ，其中 为待生成的动作序列长度， 为通道维度。

Actformer 构造了一个基于 Transformer 结构的生成网络来将隐式向量 和给定的动作类别标签 转化成人体动作序列。具体来说，隐式向量 被看成包含 个 tokens 的列表，通过一个全连接层将其映射到表征空间，随后与动作类别标签的表征合并为长度为 的最终表征。在输入多层时序 Transformer 之前，我们加上了可学习的位置编码。利用 Transformer 对于动作数据进行时序建模，输出的结果通过一层全连接层，恢复出 人体动作序列。

2.2 多人动作生成 

从单人拓展到多人动作生成需要额外的人数维度 P，我们可以通过小幅度调整网络框架进行拓展。首先，考虑到在同一时刻，多个人的动作是高度相关且同步的，因此我们将其作为一个整体，多个人共享同一个采样的隐式表征，实验证明这样能够生成更加同步的交互结果。 

生成器网络方面，我们设计了交互 Transformer 结构（I-Former）来建模不同人体之间的交互，以及时序 Transformer 结构（T-Former）来建模同一个人动作的时序变化，我们通过交替式地建模交互和时序来处理多人动作的建模。多人条件下，可学习的位置编码拓展为时间维度和人数维度的拼接。和单人生成一样，我们通过一层全连接层恢复出多人的 3D 人体动作序列。 

2.3 生成对抗训练 

Actformer 是条件生成对抗网络框架，训练时，给定动作类别标签后，生成器合成 3D 人体动作序列，判别器以动作序列为输入，试图区分真实和合成动作序列，而生成器通过判别器的反馈提升生成质量。实验中，我们通过条件 Wasserstein GAN 损失函数来训练网络，并采用 ST-GCN [4] 的网络框架作为判别器。 

由于多人的动作特征通过在特征通道维度拼接操作进行融合，然而拼接操作不具备排列不变性质，即 <A, B> 与 <B, A> 的输出结果不同，这是不合理的。因此我们采用了一个简单有效的数据增强方案，即在每个训练阶段都随机变换不同人的位置，从而使得判别网络更加鲁棒。

GTA Combat数据集

为了弥补目前多人交互，尤其是超过 2 个人的复杂交互数据集的缺乏，我们基于 GTA-V 游戏引擎合成了一个多人打架数据集，每个打架序列包含 2～5 个参与者，具有交互真实感、丰富的随机性。

在 GTA-V 游戏引擎中，通过随机触发超过 10 种原子的打架模式，以及组合不同的人物、场景、被打者的随机反应，保证了合成数据集的多样性；同时，GTA-V 的物体模型保证了合成数据集的物理真实性。对于 2/3/4/5 个人的打架行为，我们分别合成了大约 2.3/1.9/1.5/1.2K 数量的动作序列。数据将开源用作学术使用。

▲ 图3. GTA Combat数据集概况

实验

我们在 NTU-13、NTU RGB+D 120、BABEL 以及本文提出的 GTA Combat 数据集上进行了大量实验，来证明算法的有效性和泛化性。评测方面，我们采用了动作识别准确率和 FID 分数作为量化指标，利用训练好的 ST-GCN 网络进行动作识别准确率的评测以及 FID 评测的特征提取，值得注意的是，与之前的工作不同的是，我们的 ST-GCN 网络考虑了人的全局位移，这是因为位移变化对多人交互的真实性更加重要。

4.1 量化结果 

我们和 Action2Motion [1]、ACTOR [2] 和 CSGN [3] 等方法在单人和多人动作生成任务上进行了对比。从表 1 可得，我们的算法在所有数据集上均取得了最好的效果。

▲ 表1. 单人动作生成结果对比

对于多人动作生成实验，我们将 Action2Motion [1]、ACTOR [2] 和 CSGN [3] 方法拓展到多人场景，从表 2 可得，我们的算法均取得了最好的效果。

▲ 表2. 多人动作生成结果对比。左侧：NTU-2P，右侧：GTA Combat数据

4.2. 消融实验 

我们在不同网络模块设计上进行了大量消融实验。表 3 展示了高斯过程隐式先验 (1)、Transformer生成网络 (2)、可学习的位置编码 (3) 的有效性。

▲ 表3. NTU-1P上的网络模块消融实验

表 4 展示了判别器的特征融合选择 (5-7)、可学习的位置编码 (8)、时间维度和人数维度的拼接 (9) 的有效性。

▲ 表4. NTU-2P上的网络模块消融实验

表 5 展示了多人交互生成中多人共享采样的隐式表征 (1) 以及 I-Former 模块 (2) 的有效性。

▲ 表5. 多人交互编码消融实验

4.3 可视化结果 

如下图 4 所示，Actformer 能够生成高质量的、多样化的 3D 人体动作序列，支持骨架坐标或者 SMPL 参数模型，同时支持多人交互的生成。更多的可视化结果以及视频效果可以参见项目主页。

▲ 图4. 可视化结果

结论

本文旨在面向更加通用的 3D 人体动作生成，并提出了基于 GAN 和 Transformer 的生成网络框架，支持多种人体动作表征以及单人/多人动作生成，我们提出的 GTA Combat 数据集也弥补了当前复杂场景交互数据集不足的现状。 

希望大家更多地关注 3D 人体动作生成领域，并持续关注我们关于人体动作/交互的理解与生成的后续工作，也欢迎对该领域感兴趣的同学加入我们！

参考文献

[1] Guo, Chuan, et al. “Action2motion: Conditioned generation of 3d human motions.” Proceedings of the 28th ACM International Conference on Multimedia. 2020.

[2] Petrovich, Mathis, Michael J. Black, and Gül Varol. “Action-conditioned 3D human motion synthesis with transformer VAE.” Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021.

[3] Yan, Sijie, et al. “Convolutional sequence generation for skeleton-based action synthesis.” Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019.

[4] Yan, Sijie, Yuanjun Xiong, and Dahua Lin. “Spatial temporal graph convolutional networks for skeleton-based action recognition.” Proceedings of the AAAI conference on artificial intelligence. Vol. 32. No. 1. 2018.

[5] Loper, Matthew, et al. “SMPL: A skinned multi-person linear model.” ACM transactions on graphics (TOG) 34.6 (2015): 1-16.

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：hr@paperweekly.site 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·

·