KMM : Masque de trame clé Mamba pour la génération de mouvement étendue
KMM: Key Frame Mask Mamba for Extended Motion Generation
November 10, 2024
Auteurs: Zeyu Zhang, Hang Gao, Akide Liu, Qi Chen, Feng Chen, Yiran Wang, Danning Li, Hao Tang
cs.AI
Résumé
La génération de mouvements humains est un domaine de recherche de pointe en vision par ordinateur générative, avec des applications prometteuses dans la création de vidéos, le développement de jeux et la manipulation robotique. L'architecture récente Mamba montre des résultats prometteurs dans la modélisation efficace de séquences longues et complexes, cependant deux défis importants subsistent : Premièrement, l'application directe de Mamba à la génération de mouvements étendus est inefficace, car la capacité limitée de la mémoire implicite entraîne une dégradation de la mémoire. Deuxièmement, Mamba rencontre des difficultés avec la fusion multimodale par rapport aux Transformers, et manque d'alignement avec les requêtes textuelles, confondant souvent les directions (gauche ou droite) ou omettant des parties de requêtes textuelles plus longues. Pour relever ces défis, notre article présente trois contributions clés : Tout d'abord, nous introduisons KMM, une architecture novatrice présentant une modélisation par Masquage des Images Clés, conçue pour renforcer la focalisation de Mamba sur les actions clés dans les segments de mouvement. Cette approche résout le problème de dégradation de la mémoire et représente une méthode pionnière dans la personnalisation du masquage stratégique au niveau des images clés dans les SSMs. De plus, nous avons conçu un paradigme d'apprentissage contrastif pour résoudre le problème de fusion multimodale dans Mamba et améliorer l'alignement mouvement-texte. Enfin, nous avons mené des expériences approfondies sur l'ensemble de données de référence, BABEL, atteignant des performances de pointe avec une réduction de plus de 57 % en FID et 70 % des paramètres par rapport aux méthodes de pointe précédentes. Voir le site du projet : 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/KMMSummary
AI-Generated Summary