REALM 用延迟先验加表情随机细化，把倾听动作从冻结凝视变成会眨眼微笑的机器人反应
REALM 提出一个由粗到细的音频驱动反应式倾听生成框架，用带延迟中心注意力先验与自适应门控的 Reactive Gated Speaker–Listener Fusion 融合听者运动历史与说话人音频，再由粗解码器预测基础运动轨迹、由音频条件化的随机残差在表情子空间内细化，在 ViCo 与 L2L 上于多项运动质量指标上优于所评估的基线，并部署到 Ameca 人形机器人上完成感知用户研究。
REALM 提出一个由粗到细的音频驱动反应式倾听生成框架，用带延迟中心注意力先验与自适应门控的 Reactive Gated Speaker–Listener Fusion 融合听者运动历史与说话人音频，再由粗解码器预测基础运动轨迹、由音频条件化的随机残差在表情子空间内细化，在 ViCo 与 L2L 上于多项运动质量指标上优于所评估的基线，并部署到 Ameca 人形机器人上完成感知用户研究。
已读完全部报道