Superare il limite delle dimensioni del gruppo: generazione di danze di gruppo con un uso efficiente dei parametri grazie a Chain-of-Dancers

Abstract degli autori

La generazione di danze di gruppo punta a creare, a partire dalla musica, coreografie coordinate per più danzatori, con ampie applicazioni nell’animazione e nella creazione di contenuti interattivi. Questo compito richiede di modellare fitte interdipendenze tra le persone per garantire il coordinamento spaziale, preservando al tempo stesso in modo naturale l’identità di ciascun danzatore. Gli approcci esistenti modellano tutti i danzatori congiuntamente mediante transformer end-to-end: ciò vincola l’architettura a un numero fisso di danzatori e intreccia le identità dei singoli danzatori tra i fotogrammi. Proponiamo ChainDance, un framework scalabile che riformula la generazione di danze di gruppo come Chain-of-Dancers: una scomposizione sequenziale in distribuzioni condizionate per ciascun danzatore, che consente a un unico modello di adattarsi a gruppi di dimensioni variabili senza riaddestramento e di preservare in modo naturale l’identità di ogni danzatore. Basato su un modello di diffusione per un singolo danzatore i cui parametri sono congelati, ChainDance introduce due moduli leggeri: un Role-Aware Text Encoder (RATE) per il condizionamento semantico di ciascun danzatore e un Group-Aware Motion Encoder (GAME) che aggrega i danzatori generati in precedenza tramite una rete convoluzionale su grafi ponderata in base alla distanza. Integra inoltre una procedura di ottimizzazione del rumore che non richiede addestramento, applicata in fase di inferenza per garantire la coerenza spaziale complessiva. Gli esperimenti su AIOZ-GDance dimostrano che ChainDance raggiunge risultati allo stato dell’arte nella qualità del movimento e nel coordinamento del gruppo, preservando strutturalmente l’identità di ogni danzatore, con $3$-$4\times$ meno parametri e richiedendo $3$-$6\times$ meno tempo di addestramento rispetto agli approcci precedenti.