懂AI
HumanTOMATO

HumanTOMATO

文本驱动的全身动作生成系统

研究提出了一种新的文本驱动全身动作生成任务，通过给定的文本描述生成高质量、多样且连贯的面部表情、手势和身体动作。HumanTOMATO 通过使用 Holistic Hierarchical VQ-VAE 和 Hierarchical-GPT 确保动作生成与文本的精确对齐。实验显示，该模型在动作生成质量和文本匹配度上有显著优势。

HumanTOMATO全身动作生成文本驱动H²VQ层次化GPTGithub开源项目
访问官网GitHub论文

HumanTOMATO项目介绍

项目概述

HumanTOMATO是一个创新的文本驱动全身体动作生成项目。其目标是通过输入文本描述生成高质量、富有多样性且连贯的面部表情、手势和身体动作。这一项目试图解决以往文本驱动运动生成研究中的两个主要局限：一是忽视了精细的手势和面部表情在生动全身体动作中的关键作用，二是缺乏文本与运动之间的良好对齐。

解决方案

为了克服这些挑战，HumanTOMATO框架推出了两项关键设计：

  1. 全方位等级向量量化 (H²VQ)和Hierarchical-GPT： 采用两个结构化代码表用于精细身体和手部动作的重构和生成，确保生成的动作具有层次结构关系。

  2. 预训练文本-动作对齐模型： 帮助生成的动作精确对齐输入的文本描述。这样，文本与动作之间的关联更加紧密，生成的动作也更加符合自然语境。

主要亮点

HumanTOMATO模型能够生成与文本对齐的全方位动作，包括生动而协调的面部、手部和身体动作。项目展示了两个高质量的生成结果，证明了其在动作用质量和文本对齐上的显著优势。

系统概述

HumanTOMATO的系统可以分为几个部分：

  • 全方位等级向量量化 (H²VQ)： 将精细的身体和手部动作压缩成两个具有层级结构关系的离散代码表。
  • Hierarchical-GPT： 使用运动感知文本嵌入作为输入层级生成身体和手部动作。
  • 面部文本条件变分自编码器 (cVAE)： 生成相应的面部动作。身体、手部和面部动作共同构成生动且与文本对齐的全身体动作。

寻求合作

如果本项目代码对您的研究有帮助，请在相关文档中进行引用。

授权

HumanTOMATO项目遵循IDEA许可协议，同时也基于其他一些拥有自身许可协议的库和数据集。

项目致谢所有代码库TMR、MLD、T2M-GPT和HumanML3D的贡献者，这些基础工作对HumanTOMATO项目的开展有重要支持。如有疑问，请通过邮箱与项目作者联系。

通过以上介绍，我们可以了解到HumanTOMATO在文本驱动全身体运动生成领域的独特创新和重大贡献。希望这项工作能为该领域的研究者提供新的思路和实践工具。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目，它利用结构化 3D 潜在表示技术，实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具，包括文本到 3D、图像到 3D 等，并且支持多种输出格式，如 3D 高斯、辐射场和网格等。通过 TRELLIS，用户可以根据文本描述或图像输入快速生成高质量的 3D 资产，适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目，提供 10 节课程，涵盖构建 AI 代理的必备知识，支持多种语言，包含规划设计、工具使用、多代理等丰富内容，助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

下拉加载更多