PulseAugur
中
实时 16:14:50

Learning Long-Term Motion Embeddings for Efficient Kinematics Generation

作者 PulseAugur 编辑部 · [1 个来源] ·

Apple的研究人员开发了一种生成逼真人体运动的新颖方法，显著提高了运动学生成的效率。他们的方法包括从大量的轨迹数据中学习压缩的运动嵌入，从而使条件流匹配模型能够根据文本提示或空间线索生成运动序列。该技术实现了64倍的时间压缩因子，在生成逼真且有目标导向的运动方面优于现有的视频模型和专用方法。 AI

影响 引入了一种更有效的方法来生成逼真的人体运动，可能对角色动画和虚拟代理产生影响。

排序理由 这是一篇研究论文，详细介绍了来自一家主要科技公司研究部门的一种新的运动生成方法。

在 Apple Machine Learning Research 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

Learning Long-Term Motion Embeddings for Efficient Kinematics Generation

报道来源 [1]

  1. Apple Machine Learning Research TIER_1 English(EN) ·

    Learning Long-Term Motion Embeddings for Efficient Kinematics Generation

    Understanding and predicting motion is a fundamental component of visual intelligence. Although modern video models exhibit strong comprehension of scene dynamics, exploring multiple possible futures through full video synthesis remains prohibitively inefficient. We model scene d…

相关实体

相关话题