AI终于能生成流畅3D动作片了，不同动作过渡衔接不出bug，准确识别文本指令丨开源

萧箫 发自 凹非寺
量子位 | 公众号 QbitAI

让3D动画小人做一套丝滑的动作，需要手动渲染多久？

现在交给AI，输入几句话就能搞定（不同颜色代表不同动作）：

看向地面并抓住高尔夫球杆，挥动球杆，小跑一段，蹲下。

此前，AI控制的3D人体模型基本只能“每次做一个动作”或“每次完成一条指令”，难以连续完成指令。

现在，无需剪辑或编辑，只需按顺序输入几条命令，3D人物就能自动完成每一套动作，全程丝滑无bug。

这只新AI的名字叫TEACH，来自马普所和古斯塔夫·艾菲尔大学。

网友们脑洞大开：

这样以后拍3D动画电影，是不是只用剧本就能搞定了？

显然，游戏和仿真行业可以考虑一下了。

那么，这样的3D人物动作神器是怎么来的呢？

用编码器“记住”前一个动作

TEACH的架构，基于团队不久前提出的另一个3D人体运动生成框架TEMOS。

TEMOS基于Transformer架构设计，利用人体真实运动数据进行训练。

它在训练时会采用两个编码器，分别是动作编码器（Motion Encoder）和文本编码器（Text Encoder），同时通过动作解码器（Motion Decoder）输出。

但在使用时，原本的动作编码器就会被“扔掉”、只保留文本编码器，这样模型直接输入文本后，就能输出对应的动作。

与其他输入单一文本、输出确定性动作的AI不同，TEMOS能通过单一文本，生成多种不同的人体运动。

例如“人绕圈”和“站着走几步路停下来”这种单一指令，就能生成好几种不同的运动方式：

TEACH的架构正是基于TEMOS设计，动作编码器直接就从TEMOS那儿搬了过来。

但TEACH重新设计了文本编码器，其中包括一个名叫Past Encoder的编码器，它会在生成每一个动作时，提供前一个动作的上下文，以增加动作与动作之间的连贯性。

如果是一系列指令中的第一个动作，就禁用Past Encoder，毕竟没有前一个动作可以学了。

TEACH在BABEL数据集上进行训练，这是一个时长43小时的动捕数据集，包含过渡动作、整体抽象动作、以及每一帧的具体动作。

在训练时，BABEL的这一系列动捕数据会被切分成很多个子集，每个子集中包含一些过渡动作，让TEACH能学会过渡并输出。

至于为什么不用另一个数据集KIT进行训练，作者们也给出了自己的看法。

例如在动词类型上，BABEL出现要比KIT更具体，相比之下KIT更喜欢用do/perform这种“模糊的”词汇。

研究人员将TEACH与TEMOS就连续动作生成效果进行了对比。

比TEMOS效果更好

先来看看TEACH生成一系列动作的效果，连续不重样：

随后，研究人员将TEMOS与TEACH进行了对比。

他们使用两种方法对TEMOS模型进行了训练，并分别将它们称之为Independent和Joint，区别在于训练用的数据上。

其中，Independent直接用单个动作训练，在生成时将前后两个动作用对齐、球面线性插值等方式融合在一起；Joint直接用动作对和分隔开的语言标签作为输入。

Slerp是一种线性插值运算，主要用于在两个表示旋转的四元数之间平滑插值，让变换过程看起来更流畅。

以生成“挥挥右手，举起左手”连续两个动作为例。

Independent的表现效果最差，人物当场坐下了；Joint效果好一点，但人物并没有举起左手；效果最好的是TEACH，在挥动右手后又举起了左手，最后才放下。

在BABEL数据集上测试表明，TEACH的生成误差是最低的，除此之外Independent和Joint的表现都不太好。

研究人员还测了测使用上一个动作的最佳帧数，发现当使用前一个动作的5帧时，生成的过渡动作效果最好。

Nikos Athanasiou，马普所在读研究生，研究方向是多模态AI，喜欢探索人类行动和语言背后的关系。

Mathis Petrovich，在古斯塔夫·艾菲尔大学（Université Gustave Eiffel）读博，同时也在马普所工作，研究方向是基于标签或文字说明产生真实的、多样化人体运动。

Michael J. Black，马克思·普朗克智能系统研究所主任，如今谷歌学术上论文引用次数达到62000+次。

Gul Varol，古斯塔夫·艾菲尔大学助理教授，研究方向是计算机视觉、视频特征学习、人体运动分析等。

目前TEACH已经开源，感兴趣的小伙伴们可以戳下方地址体验了~

GitHub地址：
https://github.com/athn-nik/teach

论文地址：
https://arxiv.org/abs/2209.04066