人工智能学院杨溪老师研究成果《Learning Kinematic Frequency-Aware Disentanglement for Motion Style Transfer and Editing》被计算机图形学顶级会议SIGGRAPH ASIA2026条件接收。杨溪老师为通讯作者，与日本中京大学Ran Dong老师及日本JAISTHaoranXie老师合作完成。
论文详情：
题目：Learning Kinematic Frequency-Aware Disentanglement for Motion Style Transfer and Editing
作者：Ran Dong, HaoranXie, Xi Yang
会议名称：SIGGRAPH ASIA 2026
论文概述：在精细运动学细节层面进行运动风格迁移与编辑极具挑战性，因为运动风格往往交织着粗粒度因素（如姿态和轨迹）与细粒度因素（如局部时序、次级运动、接触相关细节及节奏重音）。当这些因素相互纠缠时，现有方法虽能改变表观风格，但难以有效迁移和控制微妙的运动细节；这促使我们探索一种能够将全局运动特征与精细风格细节解耦的新型编辑机制。为此，我们提出了一种运动学频率感知扩散模型，通过解耦粗粒度运动特征与精细风格细节，实现可控的运动风格迁移与编辑。该模型学习了一个运动学频率提取器，在基于重构的潜在扩散迁移框架内实现受频率监督的粗细风格分离，并利用高、中、低频运动编码来支持精细风格的可控编辑。此外，我们还推出了一个用于评估在显式内容与风格分离条件下、支持细节可控运动风格迁移的运动-文本基准数据集。实验表明，我们的模型在保持内容结构的同时，提升了精细风格识别能力、运动质量以及对精细风格的控制力。针对角色级风格迁移、运动学细节夸张以及舞蹈风格编辑的进一步研究，也证实了该模型在多种应用场景下均能实现细节可控且保持原有细节特征的运动编辑。
