MotionFlux: Эффективная генерация движения на основе текста через согласование с исправленным потоком и выравнивание предпочтений

MotionFlux: Efficient Text-Guided Motion Generation through Rectified Flow Matching and Preference Alignment

August 27, 2025

Авторы: Zhiting Gao, Dan Song, Diqiong Jiang, Chao Xue, An-An Liu

cs.AI

Аннотация

Генерация движений играет ключевую роль в анимации виртуальных персонажей и воплощённых агентов. Хотя современные методы, основанные на текстовых описаниях, достигли значительных успехов, они часто сталкиваются с трудностями в достижении точного соответствия между лингвистическими описаниями и семантикой движений, а также с неэффективностью медленного, многошагового вывода. Для решения этих проблем мы представляем TMR++ Aligned Preference Optimization (TAPO) — инновационную структуру, которая согласует тонкие вариации движений с текстовыми модификаторами и включает итеративные корректировки для усиления семантической привязки. Чтобы дополнительно обеспечить синтез в реальном времени, мы предлагаем MotionFLUX — высокоскоростную структуру генерации, основанную на детерминированном согласованном потоке. В отличие от традиционных диффузионных моделей, требующих сотен шагов удаления шума, MotionFLUX строит оптимальные транспортные пути между распределениями шума и пространствами движений, что способствует синтезу в реальном времени. Линеаризованные вероятностные пути снижают необходимость в многошаговой выборке, характерной для последовательных методов, значительно ускоряя время вывода без ущерба для качества движений. Экспериментальные результаты показывают, что вместе TAPO и MotionFLUX образуют единую систему, превосходящую современные подходы как по семантической согласованности, так и по качеству движений, одновременно ускоряя скорость генерации. Код и предобученные модели будут опубликованы.

English

Motion generation is essential for animating virtual characters and embodied agents. While recent text-driven methods have made significant strides, they often struggle with achieving precise alignment between linguistic descriptions and motion semantics, as well as with the inefficiencies of slow, multi-step inference. To address these issues, we introduce TMR++ Aligned Preference Optimization (TAPO), an innovative framework that aligns subtle motion variations with textual modifiers and incorporates iterative adjustments to reinforce semantic grounding. To further enable real-time synthesis, we propose MotionFLUX, a high-speed generation framework based on deterministic rectified flow matching. Unlike traditional diffusion models, which require hundreds of denoising steps, MotionFLUX constructs optimal transport paths between noise distributions and motion spaces, facilitating real-time synthesis. The linearized probability paths reduce the need for multi-step sampling typical of sequential methods, significantly accelerating inference time without sacrificing motion quality. Experimental results demonstrate that, together, TAPO and MotionFLUX form a unified system that outperforms state-of-the-art approaches in both semantic consistency and motion quality, while also accelerating generation speed. The code and pretrained models will be released.