ICCV 2023 | Actformer：从单人到多人，迈向更加通用的3D人体动作生成

标签：Transformer Actformer 动作生成 ICCV 2023 人体交互 3D

前言本文的主要贡献为：
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。

本文转载自PaperWeekly

作者 | 徐良

仅用于学术分享，若侵权请联系删除

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

CV各大方向专栏与各个部署框架最全教程整理

【CV技术指南】CV全栈指导班、基础入门班、论文指导班全面上线!!

▲ 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.

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

计算机视觉入门1v3辅导班

【技术文档】《从零搭建pytorch模型教程》122页PDF下载

QQ交流群：470899183。群内有大佬负责解答大家的日常学习、科研、代码问题。

其它文章

CV的未来发展方向？平时最喜欢逛的几个地方

训练网络loss出现Nan解决办法

比Meta「分割一切AI」更全能！港科大版图像分割AI来了：实现更强粒度和语义功能

Segment Anything项目整理汇总

Meta Segment Anything会让CV没前途吗?

CVPR'2023年AQTC挑战赛第一名解决方案：以功能-交互为中心的时空视觉语言对齐方法