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。

该研究介绍了MVHumanNet数据集，包含4500个人的多视角行动序列和9000个日常服装、60000个运动序列。通过该数据集进行实验，展示了性能提升和有效应用的可能性。