Tag · 4 篇
动作生成
分布 视觉语言模型1高效模型与推理加速1自监督与表征学习13D 视觉与重建1
01 02 03 04
U-Mind：面向实时多模态交互与视听生成的统一框架
U-Mind: A Unified Framework for Real-Time Multimodal Interaction with Audiovisual Generation
论文提出以文本优先的思维链规划驱动语音、动作和视频的同步生成，并实现基于姿态与语音条件的实时视频渲染，为视觉研究者提供了将语言推理与视频生成闭环结合的可复用框架。
面向极速动作扩散的测试时稀疏性
Test-time Sparsity for Extreme Fast Action Diffusion
把「测试时稀疏化 + 跨去噪步/跨 rollout 的特征复用」做成可插拔的加速范式，对视觉里做扩散 Transformer 推理加速（如视频/图像扩散的 few-step 与缓存复用）可直接迁移；其并行化去噪时间步、剪枝器与解码器异步重叠的流水线设计，也是降低非主干延迟的通用工程思路。
PRISM：学习用于可迁移骨架动作表示的共享基元空间
PRISM: Learning a Shared Primitive Space for Transferable Skeleton Action Representation
将动作序列表示为运动基元系数空间中的轨迹，并通过运动生成目标学习该表征，再迁移到分类与检测任务；这种以生成驱动表征学习、并支持跨任务迁移的思路，可复用于其他时序或结构化数据的表征学习。
LaMoGen：通过 LLM 引导的符号推理实现语言到动作生成
LaMoGen: Language to Motion Generation Through LLM-Guided Symbolic Inference
把人体动作离散化为可解释的拉班符号序列，再用 LLM 做符号推理与重组生成动作，为视觉侧的人体动作生成/理解提供了一条可解释、可控制的中间表示思路，可迁移到动作编辑与细粒度时序对齐任务。