本研究提出了ProMoGen框架，旨在解决计算机动画、游戏设计和人机交互中用户意图与人类运动合成的难题。该方法结合轨迹指导与稀疏锚点控制，能够更有效地合成复杂运动，优于现有技术。

本研究提出了一种基于文本的运动合成方案，旨在解决高质量运动数据集不足和多样物体骨骼模板处理困难的问题。通过增强Truebones Zoo数据集并使用文本描述进行注释，实验表明该方法能够生成高保真运动，为多样物体的运动合成奠定基础。

本研究提出了一种新框架DEMO，旨在改善文本到视频生成中的运动表现。通过将文本编码和条件分解为内容和运动组件，显著提高了运动合成效果，增强了模型对复杂动态的理解与生成能力。

本文介绍了一种基于扩散模型的视频生成方法，能够从无色事件生成高质量彩色视频。该方法结合预训练模型和创新策略，显著提升了视频的感知质量和时间一致性，适用于低光去噪和运动合成等任务。实验结果显示，该方法在多个数据集上表现优越。

本文介绍了一种基于文本的运动合成技术，利用DiffKFC建立条件扩散模型，结合关键帧和扩张掩码注意力模块，实现高效的运动生成。该模型在多个数据集上表现优异，能够生成复杂的人类运动，并在动态排版和视频编辑中展现良好效果。

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。

本文介绍了一种基于运动生成的视频生成方法，采用LaMD框架，通过运动分解视频自编码器和扩散模型生成高质量视频。研究提出了MoDiff模型，结合自回归概率扩散和Transformer，提升运动合成能力。同时，提出了运动感知视频生成框架MoVideo，利用稀疏时间扩散模型生成视频深度和光流，实现文本到视频的先进结果。研究还通过集成学习解决复杂环境中的运动生成问题，展示了模型的适应性和效率。

该文提出了一种新框架，通过递归深度神经网络生成高保真的人类动作和服装动态，研究了基于3D高斯模型的服装重建方法，解决了动态人体重建中的非刚性变形问题。通过单眼视频训练生成模型，优化了人体运动的物理约束，提升了运动合成的质量和多样性。实验结果表明，该方法在速度和性能上优于现有技术。