通过评估现有开放词汇物体检测方法，发现大多数方法难以准确捕捉和区分物体的细节。同时总结了当前方法的局限性和有望克服这些缺点的研究方向。

本文提出了一种解决准确捕捉和表达两个人之间交互行为的方法。作者通过模拟活动并捕捉新数据集InterAct中的运动序列，演示了一种基于扩散模型的音频估计方法。