KMM: Ключевая маска кадра Mamba для расширенной генерации движения

KMM: Key Frame Mask Mamba for Extended Motion Generation

November 10, 2024

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

cs.AI

Аннотация

Генерация движения человека - передовая область исследований в области генеративного компьютерного зрения, обладающая многообещающими применениями в создании видео, разработке игр и робототехнике. Недавняя архитектура Mamba показывает многообещающие результаты в эффективном моделировании длинных и сложных последовательностей, однако остаются две значительные проблемы: Во-первых, прямое применение Mamba к генерации продолжительного движения неэффективно из-за ограниченной емкости неявной памяти, что приводит к затуханию памяти. Во-вторых, Mamba испытывает трудности с мультимодальным слиянием по сравнению с Трансформерами и не имеет выравнивания с текстовыми запросами, часто путая направления (лево или право) или пропуская части более длинных текстовых запросов. Для решения этих проблем наша статья представляет три ключевых вклада: Во-первых, мы представляем KMM, новую архитектуру с функцией моделирования маскировки ключевых кадров, разработанную для улучшения фокуса Mamba на ключевые действия в сегментах движения. Этот подход решает проблему затухания памяти и представляет собой передовой метод в настройке стратегической маскировки кадров на уровне SSMs. Кроме того, мы разработали парадигму контрастного обучения для решения проблемы мультимодального слияния в Mamba и улучшения выравнивания движения и текста. Наконец, мы провели обширные эксперименты на основном наборе данных BABEL, достигнув передового уровня производительности с уменьшением более чем на 57% в FID и на 70% параметров по сравнению с предыдущими передовыми методами. См. веб-сайт проекта: 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