M2D2M: Multi-Motion Generation from Text with Discrete Diffusion Models
Honda Research Institute USA(美国本田研究所);Purdue University(普渡大学)
提出M2D2M,利用离散扩散模型的动态转移概率和两阶段采样,从多动作文本生成连贯平滑的人体动作序列,超越现有最先进基准。
2024-07-19 cs.CV
Optimizing Diffusion Noise Can Serve As Universal Motion Priors
ETH Zürich(苏黎世联邦理工学院);UC Berkeley(加州大学伯克利分校);VISTEC(泰国科学技术研究院);Google(谷歌公司)
本文提出 DNO,通过优化预训练文本到运动扩散模型的潜噪声并经全去噪链路回传运动目标梯度,在无需重训的情况下统一支持运动编辑、控制、去噪与补全。
2024-04-03 cs.CV
Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion Probabilistic Models
Beihang University(北京航空航天大学);Sun Yatsen University(中山大学);University of Pisa(比萨大学);University of Trento(特伦托大学);Jiangxi Research Institute, Beihang University(北京航空航天大学江西研究院)
基于扩散的生成模型最近已经成为多个领域高质量合成的强大解决方案。利用双向马尔可夫链,扩散概率模型通过基于在前向扩散过程中学习的分布映射推断反向马尔可夫链来生成样本。在这项工作中,我们提出了Modiff,一个有条件的范例,受益于去噪扩散概率模型(DDPM),以解决现实和多样化的动作条件的三维运动生成的问题。我们是一个开拓性的尝试,使用DDPM合成一个分类行动的条件下的运动序列的可变数量。我们在大规模NTU RGB+D数据集上评估了我们的方法,并显示了对最先进的运动生成方法的改进。
2023-03-28 cs.CV
SPG: Improving Motion Diffusion by Smooth Perturbation Guidance
Samsung Research(三星研究院)
本文提出无需额外训练的测试时引导方法SPG,通过在去噪步骤中对运动进行时间平滑构建弱模型以实现负向引导,有效缓解分布外问题并持续增强运动保真度。
2025-03-04 cs.CV
LaMD: Latent Motion Diffusion for Image-Conditional Video Generation
School of Remote Sensing and Information Engineering, Wuhan University(武汉大学遥感信息工程学院);Microsoft Research Asia(微软亚洲研究院)
针对图像条件视频生成中运动连贯性与采样效率的问题,提出LaMD框架,通过运动分解视频自动编码器压缩运动表示,结合扩散运动生成器高效生成真实运动,在多数据集上实现高质量视频生成并缩短采样时间。
2025-04-18 cs.CV
MotionMix: Weakly-Supervised Diffusion for Controllable Motion Generation
Huawei(华为)
针对现有可控3D人体运动生成扩散模型依赖高质量标注运动语料的问题,提出两阶段弱监督扩散框架MotionMix,利用带噪标注与未标注数据分别完成粗略生成与细化,在多项任务上达到SOTA性能。
2024-01-24 cs.CV
DiffusionPoser: Real-time Human Motion Reconstruction From Arbitrary Sparse Sensors Using Autoregressive Diffusion
Stanford University(斯坦福大学)
本文提出DiffusionPoser,一个无需重新训练即可从任意IMU和压力鞋垫组合实时重建全身运动的单一扩散模型,并通过自回归推理保证重建与传感器信号一致及未测量自由度的真实行为。
2024-03-28 cs.CV
Towards Detailed Text-to-Motion Synthesis via Basic-to-Advanced Hierarchical Diffusion Model
Sun Yat-sen University(中山大学);Tencent AI Lab(腾讯AI实验室);Xi’an Jiao Tong University(西安交通大学)
针对现有文本到动作扩散模型存在的模态不一致或细节匮乏问题,提出基础到进阶层次扩散模型B2A-HDM,结合低维基础扩散与高维进阶多去噪器扩散,在两个基准上实现了保真度、模态一致性和多样性的提升。
2023-12-18 cs.CV
Motion Style Slider: Endpoint-Supervised Continuous Style Control for Human Motion Diffusion
Institute of Science Tokyo(东京科学大学);Cygames, Inc.(Cygames 公司);The University of Tokyo(东京大学)
提出运动风格滑块框架,通过端点监督在嵌入空间构建风格方向,实现无需中间真值的连续单调风格强度控制,兼容预训练扩散模型并支持异构数据集。
2026-09-28 cs.CV
AMD:Anatomical Motion Diffusion with Interpretable Motion Decomposition and Fusion
Huazhong University of Science and Technology(华中科技大学)
本文提出AMD模型,利用LLM将文本解析为解剖学脚本,结合双分支融合方案平衡文本与脚本影响,在CLCD1、CLCD2等复杂动作数据集上性能优于现有SOTA模型。
2026-08-11 cs.CV
Video Diffusion Models are Training-free Motion Interpreter and Controller
S-Lab, Nanyang Technological University(南洋理工大学S-Lab);Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所)
本文发现视频扩散模型中已存在鲁棒的运动感知特征,通过PCA提取并过滤出免训练的运动特征MOFT,提出了一个架构无关的免训练视频运动控制框架,在下游任务中表现出竞争力。
2024-11-12 cs.CV
MotionDiffuse: Text-Driven Human Motion Generation with Diffusion Model
Nanyang Technological University(南洋理工大学);SenseTime(商汤科技)
人体运动建模对于许多现代图形应用程序非常重要,这些应用程序通常需要专业技能。为了消除外行的技能障碍,最近的运动生成方法可以直接生成以自然语言为条件的人体运动。然而,它仍然具有挑战性,以实现多样化和细粒度的运动生成与各种文本输入。为了解决这个问题,我们提出了MotionDiffuse,第一个基于扩散模型的文本驱动的运动生成框架,它展示了几个所需的属性超过现有的方法。1)概率映射。MotionDiffuse不是确定性的语言-运动映射,而是通过一系列注入变化的去噪步骤生成运动。2)现实合成。MotionDiffuse擅长对复杂的数据分布进行建模并生成生动的运动序列。3)多级操纵。MotionDiffuse响应身体部位上的细粒度指令,以及具有随时间变化的文本提示的任意长度运动合成。我们的实验表明,MotionDiffuse在文本驱动运动生成和动作条件运动生成上的令人信服的边缘优于现有的SoTA方法。定性分析进一步证明了MotionDiffuse在全面运动生成方面的可控性。首页:https://mingyuan-zhang.github.io/projects/MotionDiffuse.html
2022-08-31 cs.CV
Reconstruction-Anchored Diffusion Model for Text-to-Motion Generation
South China University of Technology(华南理工大学);Joy Future Academy(京东探索研究院)
针对文本驱动人体运动生成中预训练文本编码器存在表征差距及迭代去噪过程中误差传播问题,提出重建锚定扩散模型,利用运动潜在空间监督,采用自正则化等目标函数训练,还提出重建误差引导机制,实验表明性能显著提升。
2026-07-07 cs.CV
Moaw: Unleashing Motion Awareness for Video Diffusion Models
Tsinghua University(清华大学);Beihang University(北航)
Moaw通过训练视频扩散模型进行运动感知,实现零样本运动迁移,推动生成建模与运动理解的结合。
2026-01-19 cs.CV
MDMP: Multi-modal Diffusion for supervised Motion Predictions with uncertainty
University of Michigan(密歇根大学)
本文提出多模态扩散模型MDMP,融合骨骼数据与文本描述生成带不确定性量化的长期运动预测,其基于图的transformer框架有效捕捉时空动态,在预测精度上优于现有生成技术,并显著提升人机交互的空间感知。
2025-06-01 cs.CV
Rethinking Diffusion for Text-Driven Human Motion Generation: Redundant Representations, Evaluation, and Masked Autoregression
Northeastern University(东北大学)
本文重新思考文本驱动人体运动生成,针对VQ离散方法的局限,提出基于扩散的掩码自回归模型,优化数据表示与分布,并引入更稳健评估,在多个数据集上达到最先进性能。
2025-07-08 cs.CV
MoAlign: Motion-Centric Representation Alignment for Video Diffusion Models
University of Amsterdam(阿姆斯特丹大学);Qualcomm AI Research(高通AI研究)
针对文本到视频扩散模型运动生成不合理的问题,提出MoAlign框架,从预训练视频编码器学习解耦运动子空间并对齐扩散模型潜特征,提升生成视频的物理合理性且保留文本遵循度。
2025-10-21 cs.CV
Less is More: Improving Motion Diffusion Models with Sparse Keyframes
Seoul National University(首尔国立大学);Roblox(Roblox公司);The Chinese University of Hong Kong(香港中文大学)
针对稠密帧运动扩散计算冗余的问题,本文提出围绕稀疏几何关键帧的扩散框架,通过掩码、插值与推理时动态细化提升文本对齐、运动真实性及少步生成性能。
2025-05-12 cs.CV
ReinDiffuse: Crafting Physically Plausible Motions with Reinforced Diffusion Model
Tencent AI Lab(腾讯AI实验室);University of Technology Sydney(悉尼科技大学);Northwest A&F University(西北农林科技大学)
本文提出ReinDiffuse,结合强化学习与运动扩散模型,通过最大化物理合理奖励优化动作生成,在HumanML3D和KIT-ML数据集上显著提升了物理合理性与动作质量。
2024-10-15 cs.CV
Guided Motion Diffusion for Controllable Human Motion Synthesis
ETH Zürich(苏黎世联邦理工学院);VISTEC(VISTEC(泰国威差亚科技大学))
本文提出引导式运动扩散(GMD),通过特征投影、插补公式和密集引导方法将空间约束融入文本驱动的人体运动扩散生成过程,在提升生成质量的同时实现对运动轨迹和关键帧等空间条件的可控合成。
2023-10-29 cs.CV
SHIFT: Motion Alignment in Video Diffusion Models with Adversarial Hybrid Fine-Tuning
Tsinghua University(清华大学);Ant Group(蚂蚁集团);University of Chinese Academy of Science(中国科学院大学)
针对视频扩散模型微调后运动保真度下降的问题,提出基于像素通量动力学的像素运动奖励和SHIFT框架(平滑混合微调),通过对抗优势改进收敛并缓解奖励黑客,有效解决动态度坍塌。
2026-06-29 cs.CV
E2VIDiff: Perceptual Events-to-Video Reconstruction using Diffusion Priors
School of Software and Microelectronics, Peking University(北京大学软件与微电子学院);School of Computer Science, Peking University(北京大学计算机学院)
针对事件相机转视频的不适定难题,提出基于预训练扩散先验的E2VIDiff方法,在重建帧的感知质量与失真度间取得更优平衡,可生成忠实于事件输入的多样真实视频。
2024-07-11 cs.CV
VideoControlNet: A Motion-Guided Video-to-Video Translation Framework by Using Diffusion Model with ControlNet
Beihang University(北京航空航天大学);University of Hong Kong(香港大学)
提出运动引导的视频到视频转换框架 VideoControlNet,利用带 ControlNet 的扩散模型生成首帧,并通过 MgPG 和 MgBI 模块结合运动信息生成关键帧与插值帧,实现了连续一致的视频生成。
2023-08-03 cs.CV
Diffusion-based 3D Hand Motion Recovery with Intuitive Physics
Rensselaer Polytechnic Institute(拉特格斯理工学院);Michigan State University(密歇根州立大学);IBM Research(IBM研究院)
提出一种基于扩散模型与直觉物理的三维手部运动恢复框架,仅用动作捕捉数据训练,通过迭代去噪细化运动估计,显著提升逐帧重建方法,在基准上达到SOTA性能。
2025-08-03 cs.CV
DiffusionSfM: Predicting Structure and Motion via Ray Origin and Endpoint Diffusion
Carnegie Mellon University(卡内基梅隆大学)
本文提出 DiffusionSfM,将场景几何与相机位姿表示为逐像素射线起点和终点,利用 Transformer 去噪扩散模型从多视图图像直接预测,并在合成与真实数据上优于经典及学习方法。
2025-05-08 cs.CV
Teacher-Student Diffusion Model for Text-Driven 3D Hand Motion Generation
Singapore Management University(新加坡管理大学)
本文提出TSHaMo模型,通过文本生成逼真3D手部运动,利用教师-学生扩散框架提升运动质量和多样性,支持多种辅助输入。
2026-03-25 cs.CV
InterGen: Diffusion-based Multi-human Motion Generation under Complex Interactions
ShanghaiTech University(上海科技大学)
本文提出 InterGen 扩散模型及 InterHuman 数据集,通过共享权重的双 Transformer 去噪器、互注意力机制和空间关系正则化,实现文本引导的高质量双人交互运动生成。
2024-03-28 cs.CV
Length-Aware Motion Synthesis via Latent Diffusion
Sapienza University of Rome(罗马第一大学)
针对现有运动合成对目标时长控制不足的问题,提出长度感知潜在扩散模型LADiff,通过长度感知VAE和长度一致扩散模块,在HumanML3D和KIT-ML基准上显著提升合成质量。
2024-07-16 cs.CV
HumANDiff: Articulated Noise Diffusion for Motion-Consistent Human Video Generation
Stability AI
HumANDiff通过关节化噪声采样、联合外观-运动学习和几何运动一致性学习,实现高保真人体视频生成,支持多样化的服装风格。
2026-04-07 cs.CV
DanceFusion: A Spatio-Temporal Skeleton Diffusion Transformer for Audio-Driven Dance Motion Reconstruction
Tsinghua University(清华大学)
DanceFusion提出一种时空骨架扩散Transformer框架,结合层级VAE与扩散模型,处理短视频中不完整噪声骨架数据,实现与音乐同步的高保真舞蹈动作重建与生成,性能超越现有方法。
2024-11-07 cs.CV
From Events to Clarity: The Event-Guided Diffusion Framework for Dehazing
The Hong Kong University of Science and Technology (GuangZhou)(香港科技大学(广州))
针对雾霾成像中RGB帧动态范围有限导致去雾不适定的问题,首次利用事件相机的高HDR特性,提出事件引导扩散模型,通过迁移事件HDR线索重建清晰图像,在自建及基准数据集上获最优结果。
2025-11-14 cs.CV
Motion-aware Latent Diffusion Models for Video Frame Interpolation
Tsinghua University(清华大学);Peng Cheng Laboratory(鹏城实验室);Peking University(北京大学);China Southern Power Grid(中国南方电网);Xiamen University(厦门大学)
本文提出运动感知潜在扩散模型MADiff,通过引入相邻帧运动先验逐步细化插值结果,在视频帧插值任务中取得最先进性能,尤其擅长处理复杂动态纹理场景。
2024-08-02 cs.CV
SimDiff: Simulator-constrained Diffusion Model for Physically Plausible Motion Generation
Waseda University(早稻田大学);Nanyang Technological University(南洋理工大学);Institute of Science Tokyo(东京科学研究所)
SimDiff提出一种模拟器约束的扩散模型,将环境参数直接融入去噪过程,无需推理时重复调用模拟器,高效生成物理合理的人体运动,并支持细粒度控制与组合泛化。
2025-09-25 cs.CV
ControlEvents: Controllable Synthesis of Event Camera Datawith Foundational Prior from Image Diffusion Models
本文提出ControlEvents,利用图像扩散模型生成高质量事件数据,通过文本标签、2D骨骼和3D姿态控制信号,减少标注数据成本并提升视觉任务性能。
2025-11-27 cs.CV
Bridging Semantic and Kinematic Conditions with Diffusion-based Discrete Motion Tokenizer
S-Lab, Nanyang Technological University(南洋理工大学S实验室);The Chinese University of Hong Kong(香港中文大学)
本文提出三阶段框架,结合连续扩散模型与离散分词生成器,通过MoTok分词器实现语义与运动控制的结合,提升运动生成的可控性与保真度。
2026-03-19 cs.CV
AnyLift: Scaling Motion Reconstruction from Internet Videos via 2D Diffusion
Stanford University(斯坦福大学)
本文提出AnyLift框架,利用2D扩散模型从互联网视频中重建3D人体运动和人-物交互,通过合成多视角2D运动数据和训练相机条件多视角2D运动扩散模型,提升动态摄像下运动重建的准确性和鲁棒性。
2026-04-20 cs.CV
MoDiTalker: Motion-Disentangled Diffusion Model for High-Fidelity Talking Head Generation
Korea University(高丽大学);VIVE STUDIOS
MoDiTalker提出运动解耦扩散模型,通过音频到运动(AToM)和运动到视频(MToV)两个模块分别生成同步唇动与高质量头部视频,以音频注意力和三平面表示提升唇部细节捕捉与时间一致性,在标准基准上取得优于现有模型的性能。
2024-03-28 cs.CV
ReVision: Refining Video Diffusion with Explicit 3D Motion Modeling
Johns Hopkins University(约翰霍普金斯大学)
ReVision通过整合参数化的3D运动模型,提升视频生成中复杂动作和交互的真实性和可控性。
2026-01-08 cs.CV
AnaMoDiff: 2D Analogical Motion Diffusion via Disentangled Denoising
Simon Fraser University(西蒙菲莎大学);Adobe Research(Adobe研究院)
AnaMoDiff提出一种基于解耦去噪的扩散方法,通过潜在光流网络在噪声空间中转移二维运动,实现运动类比与身份保持的最佳权衡。
2024-02-05 cs.CV
EDEN: Enhanced Diffusion for High-quality Large-motion Video Frame Interpolation
Shanghai Key Lab of Intell. Info. Processing, School of CS, Fudan University(上海智能信息处理关键实验室,复旦大学计算机学院);Shanghai Collaborative Innovation Center of Intelligent Visual Computing(上海智能视觉计算协同创新中心);Noah’s Ark Lab, Huawei(华为诺亚实验室)
针对大运动视频帧插值中帧模糊和时间不一致问题,本文提出 EDEN,通过 transformer tokenizer、时间注意力和起止帧差异嵌入增强扩散生成,并在多个基准上取得最优性能。
2025-05-10 cs.CV
Back to Basics: Motion Representation Matters for Human Motion Generation Using Diffusion Model
University of Victoria(维多利亚大学)
本文探讨了运动表示和损失函数对扩散模型生成人类运动的影响,通过实验评估不同运动表示和配置的效果,以提升运动扩散模型的性能。
2025-12-04 cs.CV cs.GR
MotionShop: Zero-Shot Motion Transfer in Video Diffusion Models with Mixture of Score Guidance
Virginia Tech(弗吉尼亚理工大学)
本研究提出基于分数混合引导的扩散Transformer运动迁移方法MSG,可零样本作用于预训练视频扩散模型,适配多类运动迁移场景,同时推出首个专用运动迁移数据集MotionBench。
2024-12-06 cs.AI cs.CV
Can We Use Diffusion Probabilistic Models for 3D Motion Prediction?
Ulsan National Institute of Science and Technology(蔚山科学技术院);Technische Universität Wien(维也纳工业大学);German Aerospace Center(德国航空航天中心)
近年来,随着扩散概率模型在图像生成中的应用研究的不断深入,扩散概率模型在图像生成中的有效性也得到了越来越多的研究。在本文中,我们的目标是评估潜在的扩散概率模型的三维人体运动相关的任务。为此,本文提出了一种研究,采用扩散概率模型预测未来的三维人体运动(S)从以前观察到的运动。基于Human 3.6M和HumanEva-I数据集,我们的结果表明,在完成单个训练过程后,扩散概率模型对于单个(确定性)和多个(随机)3D运动预测任务都具有竞争力。此外,我们发现,扩散概率模型可以提供一个有吸引力的妥协,因为它们可以在预测的未来运动的可能性和多样性之间取得适当的平衡。我们的代码可在项目网站上公开获取:https://sites.google.com/view/diffusion-motion-prediction。
2023-02-28 cs.AI cs.CV
DiffusionPhase: Motion Diffusion in Frequency Domain
The University of Hong Kong(香港大学);University of Pennsylvania(宾夕法尼亚大学);Texas A&M University(得克萨斯农工大学)
本文提出DiffusionPhase,通过参数化相位编码器和条件扩散模型在运动频域中实现文本驱动的人体运动生成,提升多样性、长序列质量与自然过渡。
2023-12-07 cs.CV cs.LG
Human Motion Diffusion Model
Tel Aviv University(特拉维夫大学)
自然和富有表现力的人体运动生成是计算机动画的圣杯。由于可能的运动的多样性、人类对它的感知敏感性以及精确描述它的困难性,这是一项具有挑战性的任务。因此,当前的生成解决方案要么质量低,要么表达能力有限。扩散模型在其他领域已经表现出了显著的生成能力,由于其多对多的性质,它是人类运动的有希望的候选者,但它们往往是资源饥渴和难以控制的。在本文中,我们介绍了运动扩散模型(MDM),一个仔细适应分类器自由扩散为基础的人体运动域生成模型。MDM是基于transformer的,结合了运动生成文献的见解。一个值得注意的设计选择是在每个扩散步骤中预测样本,而不是噪声。这便于使用关于运动的位置和速度的已建立的几何损失,例如脚接触损失。正如我们所展示的,MDM是一种通用的方法,支持不同的调节模式和不同的生成任务。我们表明,我们的模型是用轻量级资源训练的,但在文本到动作和动作到动作的领先基准测试中取得了最先进的结果。https://guytevet.github.io/mdm-page/的网站。
2022-10-03 cs.CV cs.GR
MotionFlow: Attention-Driven Motion Transfer in Video Diffusion Models
Virginia Tech(弗吉尼亚理工大学)
针对文本生成视频模型缺乏运动细粒度控制的问题,提出无需训练、基于交叉注意力的MotionFlow框架,利用预训练视频扩散模型在测试时实现运动迁移,在剧烈场景变更下的保真度与通用性均优于现有方法。
2024-12-06 cs.AI cs.CV
Deep Compositional Phase Diffusion for Long Motion Sequence Generation
Hong Kong Baptist University(香港 Baptist 大学)
针对多语义运动片段组合生成中的过渡不连续问题,提出组合相位扩散框架,利用SPDM和TPDM在潜在频域整合语义与相位信息,实现语义对齐且过渡连续的长运动序列生成,并支持运动插值。
2025-10-16 cs.CV cs.MM
From Diffusion to Flow: Efficient Motion Generation in MotionGPT3
Department of Applied Artificial Intelligence(应用人工智能系)
本文比较了扩散与校正流在MotionGPT3中的表现,发现流在训练速度、性能和效率上更具优势。
2026-08-19 cs.CV cs.LG
Controllable Motion Synthesis and Reconstruction with Autoregressive Diffusion Models
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出MoDiff,一种基于自回归扩散模型的可控运动合成与重建方法,集成跨模态Transformer编码器与解码器,并引入基于扩散前向过程的数据dropout,在可控运动合成与高保真重建中优于基线。
2023-04-03 cs.CV cs.LG
Generative Motion In-betweening by Diffusion over Continuous Implicit Representations
School of Computing Science, University of Glasgow(格拉斯哥大学计算机科学学院)
本文提出基于运动隐式神经表示的扩散模型新管道和采样优化策略,通过映射隐式神经表示与稀疏时空信息,实现从稀疏模糊关键帧数据中采样并生成流畅运动。
2026-05-12 cs.CV cs.GR
PhysDiff: Physics-Guided Human Motion Diffusion Model
NVIDIA(英伟达)
针对现有运动扩散模型忽略物理定律、生成运动存在物理伪影的问题,提出PhysDiff模型,通过物理运动投影模块迭代引导扩散过程,实现最先进的运动质量,大幅提升物理可信度。
2023-08-18 cs.AI cs.CV cs.GR
REWIND: Real-Time Egocentric Whole-Body Motion Diffusion with Exemplar-Based Identity Conditioning
Codec Avatars Lab, Meta(Meta Codec Avatars实验室);KAIST(韩国科学技术院);Imperial College London(伦敦帝国学院)
REWIND提出一种单步扩散模型,通过级联身体-手部去噪和扩散蒸馏实现第一人称全身运动的实时因果估计,并利用身份姿态样本条件化进一步提升质量,显著超越现有基线。
2025-04-08 cs.CV cs.GR
MotionMatcher: Motion Customization of Text-to-Video Diffusion Models via Motion Feature Matching
National Taiwan University(台湾大学);NVIDIA(英伟达)
本文提出 MotionMatcher 框架,通过匹配预训练 T2V 模型提取的高级时空运动特征实现视频运动定制,避免像素重建导致的内容泄漏并取得最优性能。
2025-02-18 cs.AI cs.CV cs.LG
TEDi: Temporally-Entangled Diffusion for Long-Term Motion Synthesis
University of Chicago(芝加哥大学);Google Research(谷歌研究院)
本研究提出 TEDi 框架,通过扩展 DDPM 支持时变去噪,将扩散时间轴与运动时间轴纠缠,迭代去噪运动缓冲区以自回归生成任意长帧流,实现长期运动合成。
2023-07-29 cs.CV cs.GR