MOMO：从移动声源生成人体动作

MOMO 是一个基于扩散模型的框架，可从移动声源的双耳音频生成人体动作，通过定位、理解与生成三个耦合环节实现。研究同时提出首个动态空间音频与动作数据集 DySAM，以及辅助双耳定位数据集 DySAL。实验显示 MOMO 在动作保真度、音频-动作对齐和物理合理性上优于现有基线。