KMM: 拡張動作生成のためのキーフレームマスクマンバ

KMM: Key Frame Mask Mamba for Extended Motion Generation

November 10, 2024

著者: Zeyu Zhang, Hang Gao, Akide Liu, Qi Chen, Feng Chen, Yiran Wang, Danning Li, Hao Tang

cs.AI

要旨

人間の動作生成は、生成的コンピュータビジョンの最先端研究分野であり、ビデオ作成、ゲーム開発、ロボット操作などで有望な応用が期待されています。最近のMambaアーキテクチャは、長く複雑なシーケンスを効率的にモデリングするという有望な結果を示していますが、2つの重要な課題が残っています。まず、Mambaを拡張された動作生成に直接適用することは効果がなく、暗黙のメモリの容量が制限されているためメモリの減衰が起こります。第二に、MambaはTransformersと比較して多様な融合に苦労し、テキストクエリとの整合性が欠けており、しばしば方向（左または右）を混同したり、より長いテキストクエリの一部を省略したりします。これらの課題に対処するため、本論文では3つの主要な貢献を提案します。まず、動作セグメントの主要なアクションに焦点を当てるために設計されたKey frame Masking Modelingを特徴とする新しいアーキテクチャであるKMMを導入します。このアプローチはメモリの減衰問題に対処し、SSM内での戦略的なフレームレベルのマスキングをカスタマイズする先駆的な方法を表しています。さらに、Mambaの多様な融合問題と動作テキストの整合性を改善するために、対照的学習パラダイムを設計しました。最後に、従来の最先端手法と比較して、FIDで57%以上、パラメータで70%の削減を達成しながら、代表的なデータセットであるBABELで包括的な実験を行い、最先端の性能を達成しました。プロジェクトのウェブサイトをご覧ください：https://steve-zeyu-zhang.github.io/KMM

English

Human motion generation is a cut-edge area of research in generative computer vision, with promising applications in video creation, game development, and robotic manipulation. The recent Mamba architecture shows promising results in efficiently modeling long and complex sequences, yet two significant challenges remain: Firstly, directly applying Mamba to extended motion generation is ineffective, as the limited capacity of the implicit memory leads to memory decay. Secondly, Mamba struggles with multimodal fusion compared to Transformers, and lack alignment with textual queries, often confusing directions (left or right) or omitting parts of longer text queries. To address these challenges, our paper presents three key contributions: Firstly, we introduce KMM, a novel architecture featuring Key frame Masking Modeling, designed to enhance Mamba's focus on key actions in motion segments. This approach addresses the memory decay problem and represents a pioneering method in customizing strategic frame-level masking in SSMs. Additionally, we designed a contrastive learning paradigm for addressing the multimodal fusion problem in Mamba and improving the motion-text alignment. Finally, we conducted extensive experiments on the go-to dataset, BABEL, achieving state-of-the-art performance with a reduction of more than 57% in FID and 70% parameters compared to previous state-of-the-art methods. See project website: https://steve-zeyu-zhang.github.io/KMM