PINO: Person-Interaction Noise Optimization for Long-Duration and Customizable Motion Generation of Arbitrary-Sized Groups

📄 arXiv: 2507.19292v1 📥 PDF

作者: Sakuya Ota, Qing Yu, Kent Fujiwara, Satoshi Ikehata, Ikuro Sato

分类: cs.CV

发布日期: 2025-07-25

备注: Accepted to ICCV 2025, Project page: https://sinc865.github.io/pino/

💡 一句话要点

提出PINO以解决多角色交互生成的复杂性问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱五：交互与反应 (Interaction & Reaction) 支柱七：动作重定向 (Motion Retargeting)

关键词: 多角色交互 生成模型 物理一致性 动画制作 游戏开发 机器人控制

📋 核心要点

  1. 现有方法在生成多角色交互时面临复杂性增加的问题，尤其是当组规模扩大时，交互的细节和控制能力受到限制。
  2. 本文提出的PINO框架通过将复杂交互分解为成对交互，并利用预训练模型逐步生成，解决了现有方法的局限性。
  3. 实验结果表明，PINO生成的交互在视觉和物理上都具有高度的真实感，且用户可以灵活控制角色的行为，适用于多种应用场景。

📝 摘要（中文）

生成涉及多个角色的真实交互仍然具有挑战性，尤其是随着组规模的扩大而增加的复杂性。现有的条件扩散模型通过依赖单一共享提示来逐步生成动作，限制了细致的控制，导致交互过于简化。本文提出了一种新颖的无训练框架——人物交互噪声优化（PINO），旨在生成真实且可定制的任意规模组之间的交互。PINO将复杂的组交互分解为语义相关的成对交互，并利用预训练的双人交互扩散模型逐步组合组交互。为确保物理合理性并避免角色之间的重叠或穿透等常见伪影，PINO在噪声优化过程中采用基于物理的惩罚。这种方法允许用户精确控制角色的方向、速度和空间关系，无需额外训练。全面评估表明，PINO生成的多角色交互在视觉上真实、物理上连贯，并且适应性强，适用于动画、游戏和机器人等多种应用。

🔬 方法详解

问题定义：本文旨在解决生成多角色交互时的复杂性问题，现有方法依赖单一提示，导致交互过于简化，缺乏细致控制。

核心思路：PINO通过将复杂的组交互分解为语义相关的成对交互，利用预训练的双人交互模型逐步生成，确保生成过程的灵活性和可控性。

技术框架：PINO的整体架构包括交互分解模块、预训练模型调用和物理约束优化三个主要阶段，确保生成的交互既真实又符合物理规律。

关键创新：PINO的核心创新在于其无训练的框架设计，结合物理惩罚机制，显著提升了生成交互的真实感和物理一致性，与现有方法相比，提供了更高的灵活性和控制能力。

关键设计：在设计中，PINO采用了基于物理的惩罚函数来避免角色间的重叠和穿透，确保生成的交互在视觉和物理上都保持一致，且用户可以自由调整角色的方向和速度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，PINO在生成多角色交互方面表现优异，相较于基线模型，生成的交互在视觉真实感和物理一致性上提升了显著的性能，具体提升幅度未知。

🎯 应用场景

PINO框架具有广泛的应用潜力，尤其在动画制作、游戏开发和机器人控制等领域。其能够生成真实且可定制的多角色交互，提升了虚拟环境中的角色表现力和互动性，未来可能推动相关技术的进一步发展。

📄 摘要（原文）

Generating realistic group interactions involving multiple characters remains challenging due to increasing complexity as group size expands. While existing conditional diffusion models incrementally generate motions by conditioning on previously generated characters, they rely on single shared prompts, limiting nuanced control and leading to overly simplified interactions. In this paper, we introduce Person-Interaction Noise Optimization (PINO), a novel, training-free framework designed for generating realistic and customizable interactions among groups of arbitrary size. PINO decomposes complex group interactions into semantically relevant pairwise interactions, and leverages pretrained two-person interaction diffusion models to incrementally compose group interactions. To ensure physical plausibility and avoid common artifacts such as overlapping or penetration between characters, PINO employs physics-based penalties during noise optimization. This approach allows precise user control over character orientation, speed, and spatial relationships without additional training. Comprehensive evaluations demonstrate that PINO generates visually realistic, physically coherent, and adaptable multi-person interactions suitable for diverse animation, gaming, and robotics applications.