文本驱动的3D人体运动生成模型

要点:MoMask是一个文本驱动的3D人体动作生成模型，采用层级量化方案表示动作，包括基础层的运动标记和逐层存储的残差标记。模型包括MaskedTransformer和ResidualTransformer，用于在训练阶段通过文本输入预测基础层的随机掩码动作标记，并在生成阶段填充缺失标记，并逐渐预测更高层次的标记。