📄 ChainDance：把群舞拆成一个接一个的单人条件生成
英文题目：Breaking the Group Size Barrier: Parameter-Efficient Group Dance Generation with Chain-of-Dancers
标签：#音视频生成 | #参数高效微调 | #音乐 | #图神经网络 | #高效推理
评分：6.5/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Jing Xu：机构信息未在 arXiv HTML 中可靠披露
- Cunjian Chen：机构信息未在 arXiv HTML 中可靠披露
- Qiuhong Ke：Department of Data Science and Artificial Intelligence,；Monash University, Australia
📌 核心摘要
群舞生成的输入是音乐片段与可选文字指令，输出是多舞者在多帧上的三维动作序列，难点是多人空间协调与每人身份在时间上的稳定保持。已有联合建模把所有舞者拼接后用变换器一次生成，结构与人数绑定且容易出现身份交换。ChainDance把联合分布按链式法则分解为首舞者边缘分布与后续舞者条件分布的乘积，冻结的单人扩散主干先由音乐生成首舞者运动，再逐个生成后续舞者。角色感知文本编码器提供每人的风格与交互词，组感知运动编码器用距离加权图卷积聚合已生成舞者的空间上下文并作用于领舞特征，下一舞者即在该组上下文与自身文本条件下采样，运动图随新增舞者增量生长。采样完成后冻结网络参数，只对共享扩散噪声做无训练梯度优化，以全局队形约束与成对根节点距离重叠惩罚同时调整全体舞者，减少穿插与队形漂移。在AIOZ-GDance三人群舞评测中相对最强基线TCDiff，组运动真实度GMR越低越好从15.36降到11.63，组运动相关性GMC越高越好从82.77升到83.74。在同一AIOZ-GDance三人群舞相对TCDiff且GMR越低越好、GMC越高越好的比较之外，该结论适用于一至四人音乐对齐群舞，五人测试样本有限故主表只列至四人，原文披露三人群舞每轮训练时间约0:14、推理时间约0:15。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
群舞生成的输入输出与必须保留的信息
这篇论文研究的任务是从一段音乐片段 M 与可选的舞蹈文字指令 T 出发，合成 N 个舞者在 L 帧上的 3 维动作序列。输出记为每个舞者 i 在每帧 l 的动作 X。输入侧有 3 类信息必须同时成立：音乐提供的节奏与风格，文字提供的队形意图与每人角色分工，以及舞者之间不能穿透、队形要连贯的空间关系。评价时既要看单人动作是否自然、脚步是否打滑，也要看多人之间是否协调、轨迹是否碰撞。
初学者容易把群舞理解为多个单人舞蹈的简单叠加，但原文强调真正的难点是人与人之间的稠密依赖：如果各自独立生成，节奏可能都对上音乐，站位却会重叠或散开；如果全部拼接在一起联合生成，人数一变网络结构就要跟着变，而且不同舞者的特征会被混在一起。对研究生而言，先把输入、输出与这两类约束分开，再去看方法如何组织条件，会更容易复述后续步骤。
已有群舞路线为何被固定人数卡住
原文梳理了 3 条相关路线。单人音乐舞蹈生成已经从循环网络与自回归模型走到 Transformer 与扩散模型，扩散模型在音频对齐去噪上成为当前较强的选择，但多数只用音乐条件，语义控制较弱。群舞生成中，GDanceR、GCD、TCDiff 与 CoDancers 等把所有舞者动作拼接后用 Transformer 联合建模，能学到全局同步，却把舞者维度固定在结构里，换人数就要重训，而且统一的 token 化容易模糊每人身份。另一条双人 leader-follower 路线只处理固定 2 人，无法直接推广到可变人数。
多模态文本加音乐控制在单人上已有尝试，但在群舞中按角色给文本条件的工作很少，部分原因是缺少多人交互的细粒度标注。教学上可以这样记：已有主流路线在输入都是音乐、目标都是多人动作这一点上与本文相同，但在是否允许人数变化、是否为每人保留独立表征、是否同时接受音乐与自由文本这三点上与本文不同，因此不能把类别差异直接说成同条件胜负，只能说本文换了一条结构假设。
人数刚性与身份混淆具体指什么
论文用两幅示意把问题说得很具体。人数刚性指把 N 人每人 L 帧拼接成长度为 N 乘 L 的序列做自注意力，计算量随 N 与 L 的平方增长，原文写作 O((NL) 的平方)。这意味着为每个新人数重训的代价很高，实际效果是模型被锁死在固定人数。身份混淆指联合表征下不同舞者的特征维度被共享，连续帧之间会出现身份交换。原文以 CoDancers 的 3 帧为例：第 1 帧到第二帧粉色与蓝色舞者突然交换位置，第 3 帧蓝色舞者又跳到最左侧，播成视频就是闪烁与跳变。下面的读图说明先帮读者定位这两块面板，再看原图像素。
看图路径： 1. 先看左面板标注的注意力量级与拼接序列的关系；2. 再看右面板三帧中被红框标出的两人位置变化；3. 对照图注区分人数刚性与身份混淆是两个不同问题
论文图 1。原论文 Figure 1:：“Key challenges in group dance generation.”。
左面板用上下两条分块序列夹住中间的注意力块，红色字标出量级随人数与帧数平方增长，直观对应重训代价；右面板是胶片式 3 帧小人，红虚线框标出发生交换的 2 人，颜色在帧间没有保持在同一纵列。理解这两点后，后面把生成拆成链式条件的动机就自然了：人数变化只表现为链的长度变化，而不是网络宽度的变化；每人独立采样 1 次，身份就不会在共享特征里被交换。
Chain-of-Dancers 的整体流程是什么
ChainDance 的总体想法是把群舞联合分布按概率链式法则拆成序列条件。第一个舞者服从边缘分布，用预训练单人扩散模型生成；第 i 个舞者服从以前面所有人为条件的分布，用同一个成对条件模型生成。这样群舞不再是 1 次性联合采样，而是有顺序的结构化组合。实现上，主干是冻结的单人舞蹈扩散网络，新增两个轻量编码器分别提供文本语义与他人运动上下文，再在推理时用训练无关的噪声优化补全局一致性。
训练只做 1 次，推理时链可以延长到任意人数。先记住这个样本级走向：音乐与文本先变成每人提示词，已生成舞者先变成图上下文，两者与音乐一起进入冻结主干的交叉注意力，逐人解码出动作，全部生成完再统一调 1 次共享噪声。
\[\small P(X_{1},\ldots,X_{N})=P(X_{1})\prod_{i=2}^{N}P(X_{i}\mid X_{1:i-1}).\]上式中 P(X1) 是第一人的边缘分布，乘积项是每人依赖前面所有人的条件。原文附录强调这一步是数学等价的分解本身，不引入近似；真正的近似在后面用共享的成对模型代替完整条件。下面的框架图把文本分支、音乐分支与运动分支汇合到多模态编码器的过程画了出来。
看图路径： 1. 沿左侧音乐与动作字幕到中间提示词的箭头看文本从哪里来；2. 看右侧运动编码器中 i 与 j 之间加权图再到键值的路径；3. 确认中间冻结与可训练模块用不同标记区分
论文图 2。原论文 Figure 2:：“Overall framework of ChainDance. The model builds on a frozen single dance diffusion backbone and introduces lightweight multimodal encoders for text, music, and other dancers.”。
左半部分从音乐字幕与动作字幕经由提示词合成再经大语言模型得到每人指令，右半部分把领导者与跟随者的运动经距离加权图、图卷积与 Transformer 变成运动键值，中间文本编码器输出文本键值，两路与音乐编码一起融合成送入扩散生成模型的键值。图中雪花标记表示冻结，火焰标记表示可训练，链式与随机成对两种采样画在顶部。
每人文本条件如何注入冻结主干
预训练单人模型原来只接受全局指令，群舞需要每人有不同角色，例如谁靠近、谁保持距离、谁领谁跟。Role-Aware Text Encoder，中文可理解为按角色感知文本的编码器，就是补这个缺口的模块。它用 CLIP 文本编码器对每人指令编码，再经低秩 LoRA 线性层与轻量 Transformer，输出文本键值 Ktext 与 Vtext。主干中第 i 个舞者的隐藏状态 H 作为查询，与这组键值做交叉注意力，从而把风格与角色信息写入生成过程。
文本指令本身来自结构化字幕的合成：先把音乐的速度、流派与动作的风格、交互类型拼成全局编排描述，再用 ChatGPT-4o 按音乐生成全局指令，并按舞者对随机分配交互关键词，例如 approach、keep distance、face to、lead follow、swap 或 passby。由于数据集缺少细粒度交互标注，原文用基于几何规则的弱监督从动作窗口中挖掘这些关键词，再变成每人提示词中的短语。
\[\mathrm{Attn}\big(\mathbf{H}^{(i)}\big)=\mathrm{softmax}\left(\frac{\mathbf{H}^{(i)}K_{text}^{\top}}{\sqrt{d}}\right)V_{text},\]上式是该交叉注意力的计算，H 为当前舞者隐藏状态，分母根号 d 为缩放，softmax 后加权 V 得到注入语义后的表示。
Chain-of-Dancers × Group-Aware Motion Encoder： Chain-of-Dancers 指把 N 人联合分布按链式法则拆成第一个人的边缘分布与后续每个人依赖前面人的条件分布，解决人数可变与身份保持的结构问题；Group-Aware Motion Encoder 指用距离加权图与图卷积把已生成舞者的运动聚合成关系上下文，解决每一步条件从哪里来的问题；两者搭配后，链提供可扩展的生成顺序，运动编码器在每一步提供局部的空间协调信号。
Role-Aware Text Encoder × Group-Aware Motion Encoder： Role-Aware Text Encoder 指把每人角色与交互关键词编码为文本键值，负责语义与分工控制；Group-Aware Motion Encoder 指把已生成舞者的位置与运动编码为运动键值，负责空间与节奏协调；两者都以交叉注意力键值形式送入冻结主干，组合后同一隐藏状态同时看到文字意图、音乐与他人动作。
冻结单人扩散主干 × LoRA 轻量更新： 冻结单人扩散主干指预训练好的单人舞蹈扩散网络参数在群舞训练中不更新，保留其时间连贯与动作真实感；LoRA 轻量更新指只在新增的文本与运动编码器中的线性与 Transformer 投影上做低秩适配，用很少参数学习群舞条件；组合后主干能力不被破坏，新增能力只存在于轻量通路中。
已生成舞者的运动上下文如何聚合
只靠文本关键词还不够，因为队形间距与避碰需要看到他人实际在哪里。Group-Aware Motion Encoder，中文可理解为感知群体的运动编码器，负责把已生成舞者的运动变成另一组键值 Kgrp 与 Vgrp。它先在舞者之间建距离加权图，边权按根节点欧氏距离的倒数计算，距离越近影响越大，这符合编舞中优先顾及近邻的直觉。图是增量生长的：新节点加入时只连向已生成节点，旧边保留；去噪过程中跟随者的根位置取中间预测，随时间步动态重算。
为聚焦局部协调并省计算，每个新节点只保留权重最大的前 60% 近邻边，再经 softmax 行归一化得到邻接矩阵。图卷积把群体空间上下文聚合到领导者特征上，再经带 LoRA 的 Transformer 提炼，最后投影成键值，与文本键值、音乐条件一起拼接投影成融合键值 Kfuse 与 Vfuse，送入冻结主干的交叉注意力。
\[w_{ij}=\frac{1}{|p_{i}-p_{j}|+\epsilon},\]上式中 pi 与 pj 为 2 人的全局根位置，epsilon 为避免除零的小常数，原文取 1e-6。重叠惩罚的计算目标与此不同，它不管如何聚合特征，只在推理后处理全局一致性。
\[\small L_{\mathrm{overlap}}=\frac{1}{T}\sum_{t}\sum_{i全局惩罚 × 重叠惩罚： 全局惩罚指在推理时对队形、朝向与相对距离等可微控制项的加权和，负责整体编排是否成立；重叠惩罚指对两两根节点距离小于阈值的铰链惩罚，负责是否发生穿透或碰撞；两者相加作为对共享隐变量的优化目标，组合后既管大范围队形也管局部不重叠。
成对训练与链式推理如何共用同一套参数
训练时并不直接拟合 N 人联合分布，而是把每组 N 人拆成多个领导者与跟随者对。每个样本是 1 对(Xj,Xi)，Xj 是作为条件的领导者，Xi 是待去噪的跟随者，同一套 RATE 与 GAME 在所有对上共享。为避免方向偏置，双向都采样，即(i,j) 与(j,i) 都加入。两种采样策略是链式按数据集索引取相邻对，例如(D1,D2) 与(D2,D3)，注意索引只是数据顺序不是空间位置；随机则在同组内均匀抽 2 人。
原文报告两者结果相近，主实验默认链式。训练用教师强制，跟随者以加噪的真实前人动作为条件；推理时改为自回归，用自己的预测为条件。损失是重建项加 4 个辅助项，分别管姿态精度、速度平滑、脚与地面接触以及文本音乐动作的余弦对齐，只有 RATE 与 GAME 可训练，主干冻结。优化器用 Adam 加余弦学习率衰减，主实验序列长 120 帧，在双 RTX 4090 上训练 1000 轮，初始学习率 0.001。
推理时从单人主干生成 X1 开始，每步把最近领导者送入 GAME 建图并聚合，同时用 RATE 注入该舞者的角色提示，重复直到人数补齐；之后冻结网络只优化共享扩散噪声，最小化全局与重叠惩罚。下图把逐块生成与底部噪声优化回路画成并排的重复块。
\[\small\mathcal{L}_{\mathrm{local}}=\mathcal{L}_{\mathrm{simple}}+\lambda_{\mathrm{pos}}\mathcal{L}_{\mathrm{pos}}+\lambda_{\mathrm{vel}}\mathcal{L}_{\mathrm{vel}}+\lambda_{\mathrm{contact}}\mathcal{L}_{\mathrm{contact}}+\lambda_{\mathrm{align}}\mathcal{L}_{\mathrm{align}}.\]上式中 Lsimple 为重建损失，其余四项分别对应位置、速度、接触与对齐，lambda 为权重，主实验取位置 0.646、速度 2.964、接触 10.942、对齐 1.0。
看图路径： 1. 从左到右看每一步的噪声、音乐、文本与已生成者的输入；2. 注意第一步的运动编码器被划掉而后续步骤保留；3. 看底部虚线回路如何把全局惩罚送回共享噪声
论文图 4。原论文 Figure 4:：“Chain-of-Dancers generation design. At inference, ChainDance generates dancers sequentially and refines global consistency via diffusion-based optimization.”。
图中每块 ChainDance 都含运动编码器、音乐编码器与 RATE，第一块的运动编码器被划掉表示第一人无前人可条件，底部音乐与动作经文本再分发到各块，虚线表示全局惩罚对噪声的梯度回路。
成对训练 × 链式推理： 成对训练指每次只取同一组中的两人组成领导者与跟随者样本，用同一套编码器学习条件分布，解决不需要为每个 N 重训的问题；链式推理指测试时先用单人主干生成第一人，再逐个以已生成者为条件生成后继者，图随人数增量长大；两者共用同一参数，因而训练时学的成对关系可直接复用到任意长度的链。
在什么数据与指标下比较才公平
主干在单人数据集 AIST++ 与 FineDance 上预训练，前者含 1408 段配对音乐舞蹈、10 种流派、60 名舞者，后者风格更多、片段更长。所有群舞评测都在 AIOZ-GDance 上进行，原文称这是唯一公开的大规模群舞基准，含 16.7 小时音乐对齐 3 维动作、4000 多名舞者、7 种舞风与 16 种音乐流派，沿官方划分训练测试。基线为 GCD、CoDancers、TCDiff 与 ST-GDance，都是把所有舞者联合生成的高容量模型，共享同样的音乐输入、节拍提取与评测协议。关键的公平条件是每个基线为每个组人数单独重训，而 ChainDance 只训练 1 次就推广到不同人数。
单人指标为 FID 越低越好、Div 越高越好、PFC 越低越好；群舞指标为 GMR 越低越好、GMC 越高越好、TIF 越低越好，其中 FID 与 GMR 都是生成与参考样本的特征分布差异，GMC 用舞者间互相关衡量协调，TIF 统计身体部位碰撞频率。效率看 FLOPs、参数量、每轮训练时长与推理时长。主结果用 Lodge 在 FineDance 上预训练、链式双向对训练的配置，序列长 120 帧。
主结果在多大组上成立，代价是什么
单人侧，原文报告 ChainDance 取得最低 FID 为 23.12 与最低 PFC 为 0.50，多样性为 13.85 为第二高，说明在不破坏冻结主干保真度的前提下，多模态编码器带来了质量与可控性。3 人组是论文着墨最多的条件，完整模型把 GMR 降到 11.63 并取得最高 GMC 为 83.74；4 人组仍保持最低 GMR 与最高 GMC；不加全局噪声优化的变体在多数指标上仍超过其他方法，说明链式与成对训练本身已提供较强协调。
5 人组因测试样本少被放在附录，ChainDance 取得最好 GMC 为 81.56，GMR 为 14.73 略高于 TCDiff 的 14.62，原文把这 0.11 的差距解释为统一成对训练跨尺寸迁移与为固定尺寸单独优化之间的权衡。定性上，原文称 ST-GDance 出现表观位置交换而非真实编排交换，GCD 出现脚穿透地面，而 ChainDance 身份更稳定、轨迹无碰撞。下面先看 3 人序列的像素对比。
看图路径： 1. 逐行对比三人颜色在时间方向上是否保持在同一纵列；2. 看中间一行红色虚线框标出的脚与地面关系；3. 看最后一行三人在队形间距上是否更稳定
论文图 5。原论文 Figure 5:：“Qualitative results of generated 3-dancers group sequence compared with baselines.”。
图中三行分别为 ST-GDance、GCD 与 ChainDance 的同长度序列，同一颜色在 ChainDance 行中纵列更稳定，中间行红色虚线框标出脚与地面接触异常的位置。看图时不要把颜色相同直接当成同一动作，还要看纵列与间距是否连续。效率与效果的权衡需要单独的表格来固定条件。
下面表格比较 3 人群舞下的计算开销，比较问题是同样生成 3 人时模型是否更小更快。公平条件是同一评测协议，指标方向为 FLOPs、参数量、训练与推理时长越低越好。
| 配置 | FLOPs | 参数量 | 每轮训练时长 | 推理时长 | 说明 |
|---|---|---|---|---|---|
| ChainDance 不加全局优化 | 16.92G | 15.27M | 0:14 | 0:06 | 实际可运行，质量略低 |
| ChainDance 完整版 | 16.92G | 15.27M | 0:14 | 0:15 | 实际可运行，质量最好 |
表格显示完整版参数量为 15.27M、FLOPs 为 16.92G、每轮训练为 0:14，推理从 0:06 增加到 0:15。解释是全局优化只改共享噪声不改网络参数，因而 FLOPs 与参数量不变，训练时长也不变，代价全部落在推理侧；若减少优化步数可换速度，但 GMR 会回升、GMC 会下降。限制是原文只报告 3 人组的这组效率数，更大组推理随人数逐步增长，6 人达 0:29，因此不能把 0:15 当成所有人数的延迟承诺。
换主干与加全局优化是否依然有效
跨主干与预训练的比较固定为 3 人群舞，比较有无全局优化。公平条件是同一 AIOZ-GDance 评测，指标方向同上。
| 配置 | 组 GMR 越低越好 | 组 GMC 越高越好 | 单人 FID 越低越好 | 推理外单人是否受影响 |
|---|---|---|---|---|
| Lodge 加 FineDance 不加全局优化 | 12.44 | 82.32 | 23.12 | 否 |
| Lodge 加 FineDance 加全局优化 | 11.63 | 83.74 | 23.12 | 否 |
解释是加全局优化后 GMR 从 12.44 降到 11.63、GMC 从 82.32 升到 83.74，而单人 FID 保持 23.12 不变，因为惩罚只定义在人与人交互上，不改变单人生成。EDGE 主干更省但质量略低于 Lodge，FineDance 预训练优于 AIST++，原文归因于风格覆盖与动作多样性更广。限制是跨主干比较固定为 3 人，跨基线主表及附录表 6 覆盖 1 至 5 人，而附录表 12 另对当前方法 2 至 6 人给出 GMR、GMC、TIF 及推理时长，其中 6 人为 14.85/80.87/0.13/0:29，6 至 10 人的定性图与 6 人的量化须分开看；DD100 双人泛化实验关闭文本编码器后仍取得最好，但 PFC 等绝对值与 AIOZ 不可直接相比，因为数据与动作捕捉条件不同。与 PINO 的隔离对比显示 ChainDance 在 2 至 4 人上 GMR 与 GMC 都更好，且人数越大差距越大，支持提升不只来自推理优化，编码器注入的关系信息才是结构基础。
感知评价与可控性证据支持到哪一步
30 人盲排的用户研究沿 TCDiff 协议，在真实感、音乐关联、队形美感与舞者和谐 4 维打分，排名转成 4 到 1 再归一化到 0 到 1。比较问题是自动指标的提升是否对应人的观感，公平条件是输出匿名随机呈现。
| 方法 | 单人 FID 越低越好 | 3 人 GMR 越低越好 | 感知和谐度越高越好 | 说明 |
|---|---|---|---|---|
| 最强基线 | 原文表 1 报告 | 原文表 1 报告 | 0.50 | ST-GDance 在和谐度上最好 |
| ChainDance | 23.12 | 11.63 | 0.80 | 真实感 0.70，关联 0.75，队形 0.70 |
解释是 ChainDance 4 维都最高，最大差距在和谐度 0.80 对 0.50，该维度同时包含人与人协调与每人身份稳定，正好对应链式分解的结构优势，是对客观表的感知补充。可控性方面，匹配与错配输入的差距为音乐 0.1623、文本 0.3059，匹配值接近真值，说明模型确实在使用两种条件；10 种流派的 BAS 与 R-precision 都紧贴真值且组质量稳定，说明不是偏向某 1 流派。限制是用户研究只有 30 人、年龄 18 到 55，且和谐度把协调与身份稳定绑在一起，无法拆出各自的误判率；自动对齐分数也不能等同于人工对编排意图的满意度。
拿掉每个模块后协调性掉在哪里
消融在 Lodge 加 FineDance 预训练、3 人组、120 帧的相同协议下进行，逐个关闭关键模块。比较问题是文本语义、运动关系与全局惩罚各自贡献多少，指标方向仍为 GMR 越低越好、GMC 越高越好。
| 配置 | GMR 越低越好 | GMC 越高越好 | 分工 | 是否可运行 |
|---|---|---|---|---|
| 去掉运动编码器 | 17.46 | 79.14 | 无前人运动条件 | 是 |
| 去掉文本编码器 | 14.32 | 81.98 | 仅音乐与运动上下文 | 是 |
| 完整模型 | 11.63 | 83.74 | 文本加运动加全局惩罚 | 是 |
解释是去掉运动编码器退化最明显，GMR 到 17.46、GMC 到 79.14，说明人与人运动依赖是协调的主来源；去掉文本编码器 GMR 从 11.63 到 14.32、GMC 从 83.74 到 81.98，说明角色文本同时影响风格同步与空间协调，且提供可读的每人控制接口；完整模型另报告 TIF 为 0.10 为最好。限制是去掉全局惩罚的中间态 GMR 为 12.44、GMC 为 82.32，退化幅度中等，说明全局优化是锦上添花而非唯一来源；同时无运动字幕、双向配对与随机配对等变体的差异较小，随机配对 GMR 为 11.58、GMC 为 83.80 与链式相近，因此不能把提升全部归于某 1 采样细节。未胜出的反例是 5 人组 GMR 仍输给为该尺寸单独优化的 TCDiff，说明统一模型在样本少的尺寸上并非全胜。
哪些范围还没有被测到
原文在附录明确了两项局限。推理延迟相对较高，原因是扩散迭代去噪本身的开销，加上全局惩罚的梯度步数，目标应用是离线动画与视频制作而非严格实时交互，未来可用蒸馏或一致性模型加速。超大群体的均匀全局一致性仍难保证，动态增长图与测试时惩罚在典型组规模有效，但 N 大于 10 的密集人群是另一个研究问题，当前能力覆盖流行乐团等很少超过 10 人的场景。
顺序敏感性测试显示 3 人全部 6 种顺序的标准差仅 GMR 为 0.22、GMC 为 0.67、TIF 为 0.005，5 人随机顺序也稳定，原因是数据索引与空间位置不对齐且图卷积只用相对位置，因此不能把顺序影响说成主要误差源。误差累积方面，指标并不随人数单调变差，3 人 GMC 反而高于 2 人，全局惩罚在各尺寸都带来提升，但这只是平均趋势，不能推广到每一段序列的每 1 帧。
复现第一步要固定什么
复现应从冻结主干与只训轻量编码器做起。先准备 Lodge 在 FineDance 上预训练的单人扩散权重并保持冻结，只让文本编码器与运动编码器的 LoRA 与 Transformer 参数可训练；数据用 AIOZ-GDance 官方划分，序列长固定 120 帧，损失权重取位置 0.646、速度 2.964、接触 10.942、对齐 1.0，优化器用 Adam、初始学习率 0.001 加余弦衰减。文本侧需先由音乐与动作字幕合成全局描述，再用大语言模型生成全局指令并按规则挖掘的交互词拆成每人提示，缺少这一步会退化为纯音乐条件。
训练样本组织为双向成对，默认链式配对即可，教师强制时对领导者真值加噪以缩小训练推理差距。推理先单人生成第一人，再自回归逐人生成，最后只优化共享噪声以降低全局加全局重叠惩罚，附录为省时只取惩罚最大的 70 帧为目标并用批维度并行。需要补的验证是公开代码、权重与数据划分脚本三者要分开确认，本文尚无法确认代码与权重的公开状态。
另需补不同随机种子下的方差、更大组的碰撞率统计与推理步数换质量的完整曲线，才能谈部署取舍。
什么时候值得尝试，还缺哪项验证
当任务需要同一模型处理可变人数、同时接受音乐与每人文字分工、且要求身份在时间上不交换时，这条链式条件路线值得尝试；当人数固定且追求该尺寸的极限分数，或需要严格实时交互时，联合建模或蒸馏加速的路线可能更合适。复现第一步是锁死主干、跑通成对训练与链式推理，再打开全局噪声优化看 GMR 与 GMC 的变化。还缺的验证是长时间序列的漂移统计、真实编舞师对角色文本可控性的盲评，以及与固定人数基线在相同训练预算下的公平对比。只有在这些条件下，11.63 与 83.74 这类数字才能被复述为特定配置与特定人数下的结果，而不是对所有群舞的一般承诺。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses