ReMoMask：检索增强型掩蔽运动生成

文本到动作 (T2M) 生成旨在从自然语言描述中合成逼真且语义对齐的人体动作序列。然而，当前的方法面临双重挑战：生成模型（例如扩散模型）存在多样性有限、误差累积和物理不可信的问题，而检索增强生成 (RAG) 方法则表现出扩散惯性、部分模式崩溃和异步伪影。为了解决这些限制，我们提出了 ReMoMask，一个统一的框架，整合了三个关键创新：1）双向动量文本-动作模型通过动量队列将负样本规模与批次大小解耦，显著提高了跨模态检索精度；2）语义时空注意力机制在部分级融合期间强制执行生物力学约束，以消除异步伪影；3）RAG-无分类器指导结合了少量无条件生成以增强泛化能力。ReMoMask 基于 MoMask 的 RVQ-VAE 构建，能够以最少的步骤高效生成时间连贯的动作。在标准基准上进行的广泛实验证明了 ReMoMask 的最先进性能，与之前的 SOTA 方法 RAG-T2M 相比，在 HumanML3D 和 KIT-ML 上的 FID 分数分别提高了 3.88% 和 10.97%。代码：https://github.com/AIGeeksGroup/ReMoMask。网站：https://aigeeksgroup.github.io/ReMoMask。