Ponimator: Entfaltung interaktiver Posen für vielseitige Mensch-Mensch-Interaktionsanimation

Ponimator: Unfolding Interactive Pose for Versatile Human-human Interaction Animation

October 16, 2025

papers.authors: Shaowei Liu, Chuan Guo, Bing Zhou, Jian Wang

cs.AI

papers.abstract

Nahbereichs-Posen menschlicher Interaktionen vermitteln umfangreiche kontextuelle Informationen über die Dynamik der Interaktion. Anhand solcher Posen können Menschen intuitiv den Kontext erschließen und mögliche vergangene und zukünftige Dynamiken antizipieren, indem sie auf starke Vorannahmen über menschliches Verhalten zurückgreifen. Inspiriert von dieser Beobachtung schlagen wir Ponimator vor, ein einfaches Framework, das auf proximalen interaktiven Posen basiert und vielseitige Interaktionsanimationen ermöglicht. Unsere Trainingsdaten bestehen aus Nahkontakt-Posen zweier Personen und ihrem zeitlichen Kontext aus Motion-Capture-Interaktionsdatensätzen. Unter Nutzung von Vorannahmen über interaktive Posen setzt Ponimator zwei bedingte Diffusionsmodelle ein: (1) einen Posenerzeuger, der das zeitliche Vorwissen nutzt, um dynamische Bewegungssequenzen aus interaktiven Posen zu generieren, und (2) einen Posengenerator, der das räumliche Vorwissen anwendet, um interaktive Posen aus einer einzelnen Pose, Text oder beidem zu synthetisieren, wenn interaktive Posen nicht verfügbar sind. Insgesamt unterstützt Ponimator diverse Aufgaben, darunter bildbasierte Interaktionsanimation, Reaktionsanimation und Text-zu-Interaktions-Synthese, und erleichtert so die Übertragung von Interaktionswissen aus hochwertigen Motion-Capture-Daten auf offene Szenarien. Empirische Experimente über verschiedene Datensätze und Anwendungen hinweg demonstrieren die Universalität des Pose-Vorwissens sowie die Effektivität und Robustheit unseres Frameworks.

English

Close-proximity human-human interactive poses convey rich contextual information about interaction dynamics. Given such poses, humans can intuitively infer the context and anticipate possible past and future dynamics, drawing on strong priors of human behavior. Inspired by this observation, we propose Ponimator, a simple framework anchored on proximal interactive poses for versatile interaction animation. Our training data consists of close-contact two-person poses and their surrounding temporal context from motion-capture interaction datasets. Leveraging interactive pose priors, Ponimator employs two conditional diffusion models: (1) a pose animator that uses the temporal prior to generate dynamic motion sequences from interactive poses, and (2) a pose generator that applies the spatial prior to synthesize interactive poses from a single pose, text, or both when interactive poses are unavailable. Collectively, Ponimator supports diverse tasks, including image-based interaction animation, reaction animation, and text-to-interaction synthesis, facilitating the transfer of interaction knowledge from high-quality mocap data to open-world scenarios. Empirical experiments across diverse datasets and applications demonstrate the universality of the pose prior and the effectiveness and robustness of our framework.