北大和人大团队在通用人形机器人动作生成领域取得突破，推出百万规模数据集MotionLib和动作生成模型Being-M0，实现复杂人类动作向多类型机器人迁移，提升跨平台适配能力。

本研究提出R-Lodge模型，解决生成舞蹈模型中表现一致性不足的问题，通过舞蹈校准技术和递归序列表示学习，显著提升舞蹈动作的一致性。

本研究提出了一种新的粗到细自回归策略学习框架（CARP），旨在提高机器人视觉运动策略学习的效率和灵活性。该框架通过多尺度表示学习和细化预测两个阶段，显著提升了动作生成的精度和流畅性，推理速度提高了10倍，并实现了竞争性的成功率。

文章介绍了OmniH2O人形机器人，通过语音指令和预训练的文本到人体动作生成扩散模型（MDM）来控制动作。MDM利用文本提示生成多样化动作，体现文本到动作的多对多映射。其目标是在特定条件下合成人体动作，支持多种输入。扩散建模采用马尔可夫噪声过程，并使用几何损失正则化生成自然连贯的动作。

本研究提出了一种轨迹感知主要流形框架，旨在恢复流形骨干并生成样本。通过内在维度正则化，该框架实现了紧凑的流形表示和少样本图像生成。实验结果表明，该方法在分类准确性和样本生成方面表现优越，尤其在复杂文本描述下的动作生成任务中。

本文介绍了基于扩散模型的人体动作生成方法，重点在于细粒度控制、语义对齐和高质量合成。研究提出的新算法GMD和LGTM显著提升了文本驱动的动作生成效果，尤其在复杂描述下表现优越。通过层次化和多阶段流程，解决了语义差异问题，实现了更准确的动作生成。

本研究提出了基于扩散模型的动作生成框架ReMoDiffuse，通过结合检索机制改善去噪过程，提升文本驱动动作生成的多样性。相关模型如MoDiff、MotionDiffuse和CrossDiff在运动合成和预测方面表现优异，能够生成复杂的人类运动，适应实时命令，展现出强大的鲁棒性和生成质量。

本研究介绍了CameraCtrl模型，通过精确控制相机姿态提升T2V模型的可控性和泛化性。结合三维相机运动和多模态变压器，能够有效生成视频。提出的协作视频扩散（CVD）框架通过跨视频同步模块提高了不同相机轨迹下视频的一致性。此外，CoMo模型在动作生成和编辑方面表现优异，VideoComposer模型实现了合成视频的条件控制。研究还提出了Direct-a-Video和COMD模型，增强了用户对对象和相机运动的控制能力。

本文探讨了基于文本描述生成3D人体动作的方法，提出了多角度注意机制和TEMOS框架，利用变压器实现高质量动作生成。实验结果表明，该方法在多个数据集上优于现有技术，能够根据文本条件生成多样化的动作序列。

本文介绍了一种基于文本描述生成多样3D人类动作的方法，提出了TEMOS框架，利用变分自编码器生成高质量动作序列。研究表明，该框架在多个基准测试中表现优越，结合语言结构和上下文推理模块，提升了动作生成的精确度和多样性。

该研究提出了多种基于扩散模型的视频和动作生成方法，包括可控运动扩散模型（COMODO）和RAVE视频编辑技术，显著提高了生成质量和多样性，适用于人机协作和视频编辑等场景。

该文综述了基于深度学习的动作生成与编辑研究，涵盖利用预训练GAN分解视频动作、人到机器人动作重定向、自监督自编码器LIA潜空间线性导航生成图像、扩散模型合成数字人运动、MoStAtt机制增强视频动态、无监督局部潜子空间保持图像真实感、骨架动作生成、数据驱动运动风格转移、概率框架生成角色动画以及自监督生成多样自然人体动作等方法。

该文综述多种音频与动作生成模型：神经合成器实时生成乐器音频；DiffWave、FastDiff等扩散模型实现高保真语音合成；DDSP结合信号处理与深度学习；MIDI-DDSP提供层次化音乐控制；MoDiff、MoDi用于动作生成；DeepMoD发现偏微分方程。

该文综述扩散模型在多领域的应用：6D物体姿态估计通过逆扩散实现2D-3D对应；GMD有向扩散模型提升文本驱动人体动作生成；PIDM解决人体图像转换；视频生成用隐式条件建模运动，优于GAN方法；EMDM加速高质量动作生成；MoVideo结合深度与光流实现文本/图像到视频生成；DragDiffusion实现点式图像编辑；DDPM生成多样化风格化人体运动；统一条件框架提升低光去噪、去模糊与JPEG恢复；DDVM用于单目深度与光流估计，性能领先。