EgoTwin: Sognare il corpo e la visuale in prima persona

EgoTwin: Dreaming Body and View in First Person

August 18, 2025

Autori: Jingqiao Xiu, Fangzhou Hong, Yicong Li, Mengze Li, Wentao Wang, Sirui Han, Liang Pan, Ziwei Liu

cs.AI

Abstract

Mentre la sintesi video esocentrica ha compiuto notevoli progressi, la generazione di video egocentrici rimane in gran parte inesplorata, richiedendo la modellazione di contenuti in prima persona insieme ai modelli di movimento della camera indotti dai movimenti corporei dell'utilizzatore. Per colmare questa lacuna, introduciamo un nuovo compito di generazione congiunta di video egocentrici e movimento umano, caratterizzato da due sfide principali: 1) Allineamento del Punto di Vista: la traiettoria della camera nel video generato deve allinearsi accuratamente con la traiettoria della testa derivata dal movimento umano; 2) Interazione Causale: il movimento umano sintetizzato deve allinearsi causalmente con le dinamiche visive osservate tra i fotogrammi video adiacenti. Per affrontare queste sfide, proponiamo EgoTwin, un framework di generazione congiunta video-movimento basato sull'architettura del trasformatore a diffusione. Nello specifico, EgoTwin introduce una rappresentazione del movimento centrata sulla testa che ancorra il movimento umano all'articolazione della testa e incorpora un meccanismo di interazione ispirato alla cibernetica che cattura esplicitamente l'interazione causale tra video e movimento all'interno delle operazioni di attenzione. Per una valutazione completa, curiamo un ampio dataset del mondo reale di triplette sincronizzate testo-video-movimento e progettiamo nuove metriche per valutare la coerenza video-movimento. Esperimenti estensivi dimostrano l'efficacia del framework EgoTwin.

English

While exocentric video synthesis has achieved great progress, egocentric video generation remains largely underexplored, which requires modeling first-person view content along with camera motion patterns induced by the wearer's body movements. To bridge this gap, we introduce a novel task of joint egocentric video and human motion generation, characterized by two key challenges: 1) Viewpoint Alignment: the camera trajectory in the generated video must accurately align with the head trajectory derived from human motion; 2) Causal Interplay: the synthesized human motion must causally align with the observed visual dynamics across adjacent video frames. To address these challenges, we propose EgoTwin, a joint video-motion generation framework built on the diffusion transformer architecture. Specifically, EgoTwin introduces a head-centric motion representation that anchors the human motion to the head joint and incorporates a cybernetics-inspired interaction mechanism that explicitly captures the causal interplay between video and motion within attention operations. For comprehensive evaluation, we curate a large-scale real-world dataset of synchronized text-video-motion triplets and design novel metrics to assess video-motion consistency. Extensive experiments demonstrate the effectiveness of the EgoTwin framework.