Can We Use Diffusion Probabilistic Models for 3D Motion Prediction?

要約

多くの研究者が最近の拡散確率モデルからの実りを観察した後、画像生成におけるその有効性が最近活発に研究されています。
この論文では、私たちの目的は、3D の人間の動きに関連するタスクに対する拡散確率モデルの可能性を評価することです。
この目的のために、この論文では、拡散確率モデルを使用して、以前に観察された動きから将来の 3D 人間の動きを予測する研究を紹介します。
Human 3.6M および HumanEva-I データセットに基づいて、単一のトレーニング プロセスを終了した後、単一 (決定論的) および複数 (確率論的) の 3D モーション予測タスクの両方で、拡散確率モデルが競合することがわかりました。
さらに、拡散確率モデルは、予測される将来の動きの可能性と多様性の間で適切なバランスをとることができるため、魅力的な妥協点を提供できることがわかりました。
私たちのコードは、プロジェクトの Web サイト (https://sites.google.com/view/diffusion-motion-prediction) で公開されています。

要約(オリジナル)

After many researchers observed fruitfulness from the recent diffusion probabilistic model, its effectiveness in image generation is actively studied these days. In this paper, our objective is to evaluate the potential of diffusion probabilistic models for 3D human motion-related tasks. To this end, this paper presents a study of employing diffusion probabilistic models to predict future 3D human motion(s) from the previously observed motion. Based on the Human 3.6M and HumanEva-I datasets, our results show that diffusion probabilistic models are competitive for both single (deterministic) and multiple (stochastic) 3D motion prediction tasks, after finishing a single training process. In addition, we find out that diffusion probabilistic models can offer an attractive compromise, since they can strike the right balance between the likelihood and diversity of the predicted future motions. Our code is publicly available on the project website: https://sites.google.com/view/diffusion-motion-prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google