Le coordinate assolute rendono semplice la generazione del movimento

Absolute Coordinates Make Motion Generation Easy

May 26, 2025

Autori: Zichong Meng, Zeyu Han, Xiaogang Peng, Yiming Xie, Huaizu Jiang

cs.AI

Abstract

I modelli all'avanguardia per la generazione di movimento da testo si basano sulla rappresentazione cinematica locale-relativa del movimento, resa popolare da HumanML3D, che codifica il movimento rispetto al bacino e al fotogramma precedente con una ridondanza integrata. Sebbene questo design semplifichi l'addestramento per i modelli di generazione precedenti, introduce limitazioni critiche per i modelli di diffusione e ostacola l'applicabilità ai task downstream. In questo lavoro, rivisitiamo la rappresentazione del movimento e proponiamo un'alternativa radicalmente semplificata e a lungo abbandonata per la generazione di movimento da testo: le coordinate assolute delle articolazioni nello spazio globale. Attraverso un'analisi sistematica delle scelte progettuali, dimostriamo che questa formulazione raggiunge una fedeltà del movimento significativamente superiore, un migliore allineamento al testo e una forte scalabilità, anche con un semplice backbone Transformer e senza perdite ausiliarie cinematica-consapevoli. Inoltre, la nostra formulazione supporta naturalmente task downstream come il controllo del movimento guidato da testo e l'editing temporale/spaziale senza ulteriori riprogettazioni specifiche per il task e la generazione costosa di guida classificatore dai segnali di controllo. Infine, dimostriamo una promettente generalizzazione per generare direttamente i vertici della mesh SMPL-H in movimento da testo, gettando una solida base per la ricerca futura e le applicazioni legate al movimento.

English

State-of-the-art text-to-motion generation models rely on the kinematic-aware, local-relative motion representation popularized by HumanML3D, which encodes motion relative to the pelvis and to the previous frame with built-in redundancy. While this design simplifies training for earlier generation models, it introduces critical limitations for diffusion models and hinders applicability to downstream tasks. In this work, we revisit the motion representation and propose a radically simplified and long-abandoned alternative for text-to-motion generation: absolute joint coordinates in global space. Through systematic analysis of design choices, we show that this formulation achieves significantly higher motion fidelity, improved text alignment, and strong scalability, even with a simple Transformer backbone and no auxiliary kinematic-aware losses. Moreover, our formulation naturally supports downstream tasks such as text-driven motion control and temporal/spatial editing without additional task-specific reengineering and costly classifier guidance generation from control signals. Finally, we demonstrate promising generalization to directly generate SMPL-H mesh vertices in motion from text, laying a strong foundation for future research and motion-related applications.