Transformer又又来了，生成配有音乐的丝滑3D舞蹈，

出自论文：

Learn to Dance with AIST++: Music Conditioned 3D Dance Generation

来自谷歌等单位的学者提出一个基于 transformer 的学习框架，用于以音乐为条件的3D舞蹈生成。设计了一个全新的网络框架，并验证得出获得高质量结果的关键。其中组件之一是深度跨模态 transformer，可以很好地学习音乐和舞蹈运动之间的相关性，并且具有 future-N 机制的全注意力在产生长距离 non-freezing 运动中至关重要。

合成 demo：

AIST++ 数据集

AIST++ 舞蹈运动数据集是从 AIST Dance Video DB 构建的。对于多视角视频，设计一个完美的 pipeline 来估计摄像机参数、3D人体关键点和3D人体舞蹈运动序列。

提供了 10.1M 张图像的 3D 人体关键点标注和相机参数，涵盖 9 个视角的 30 个不同主体。以此成为现有的较大、最丰富的三维人体关键点标注数据集。

还包含了 1408 个三维人体舞蹈运动序列，以 joint rotations 和 root trajectories 一起的形式表示。舞蹈动作平均分布在 10 个舞蹈流派和数百个编排中。动作持续时间从7.4秒到48.0秒不等。所有的舞蹈动作都有相应的音乐。

通过以上的标注，AIST++ 支持以下任务。

多视角人体关键点估计

人体运动预测/生成

人体运动和音乐之间的跨模态分析

数据集以不同的方式被分割成训练/验证/测试集，用于不同的目的。

对于人类姿势估计和人类运动预测等任务，作者建议使用表 1 中描述的数据分割。

对于处理运动和音乐的任务，如音乐条件运动生成，建议使用表 2 中描述的数据分割。