KMM: Maschera della Chiave del Fotogramma Mamba per la Generazione Estesa del Movimento

KMM: Key Frame Mask Mamba for Extended Motion Generation

November 10, 2024

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

cs.AI

Abstract

La generazione del movimento umano è un'area di ricerca all'avanguardia nella visione artificiale generativa, con applicazioni promettenti nella creazione di video, nello sviluppo di giochi e nella manipolazione robotica. L'architettura Mamba recente mostra risultati promettenti nel modellare in modo efficiente sequenze lunghe e complesse, tuttavia due significativi sfide rimangono: In primo luogo, l'applicazione diretta di Mamba alla generazione estesa di movimento è inefficace, poiché la capacità limitata della memoria implicita porta a decadimento della memoria. In secondo luogo, Mamba fatica con la fusione multimodale rispetto ai Transformers e manca di allineamento con le query testuali, spesso confondendo le direzioni (sinistra o destra) o omettendo parti di query testuali più lunghe. Per affrontare queste sfide, il nostro articolo presenta tre contributi chiave: In primo luogo, introduciamo KMM, una nuova architettura caratterizzata da Key frame Masking Modeling, progettata per potenziare il focus di Mamba sulle azioni chiave nei segmenti di movimento. Questo approccio affronta il problema del decadimento della memoria e rappresenta un metodo pionieristico nella personalizzazione della mascheratura strategica a livello di frame negli SSM. Inoltre, abbiamo progettato un paradigma di apprendimento contrastivo per affrontare il problema della fusione multimodale in Mamba e migliorare l'allineamento tra movimento e testo. Infine, abbiamo condotto ampi esperimenti sul dataset di riferimento, BABEL, raggiungendo prestazioni all'avanguardia con una riduzione di oltre il 57% nell'FID e del 70% dei parametri rispetto ai metodi di riferimento precedenti. Visita il sito del progetto: 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