新智元報道

編輯：LRST

當元宇宙數字人急需「群舞技能」，音樂驅動生成技術卻遭遇瓶頸——舞者碰撞、動作僵硬、長序列崩壞。為解決這些難題，南理工、清華、南大聯合研發端到端模型TCDiff++，突破多人生成技術壁壘，實現高質量、長時序的群體舞蹈自動生成。該模型支持跨模態編舞，可一鍵生成和諧流暢的群舞表演，為虛擬演唱會、數字人集體演出等場景提供完整的AIGC解決方案。作為該領域首批基礎模型之一，TCDiff++從AAAI 2025的開源成果TCDiff升級而來，并被IJCV 2025正式接收。

在常見的群舞數據中，超過80%的動作看起來幾乎一樣！更麻煩的是，每個舞者的動作數據維度高達100多，而位置坐標卻只有可憐的3維——模型直接「臉盲」了，根本分不清誰是誰。

結果舞者身份混淆，跳著跳著就撞在一起。

此外，獨舞也有可能變「滑步」，導致畫面非常魔幻。

你有沒有見過舞者上身跳得標準，雙腳卻像在冰上滑行？這就是典型的「腳部滑動」。其根源在于AI難以協調全身動作和腳下軌跡，導致視覺效果失真，觀感十分出戲。

如果編舞時間過長，也可能導致生成崩潰，長序列群舞仍是難題。

現有技術能生成幾秒鐘的群舞片斷，可一旦拉到幾分鐘甚至更長，動作就開始突變、卡頓、不連貫。而現實中，一場真正的群舞表演動輒數分鐘，音樂劇更要持續數小時——這之間的差距，正是當前技術亟待填補的關鍵空白。

群舞生成三大難題示意圖以及TCDiff++效果，從左到右分別為多舞者碰撞、單舞者腳滑、長時生成位置突變問題、TCDiff++克服這些難題

在AAAI 2025發表的TCDiff模型，研究人員首次提出「軌跡可控」的生成思路，通過分離軌跡預測與動作生成的兩階段框架，有效防止了群舞中的舞者碰撞。

然而，該設計也導致動作與位移銜接生硬，且在生成長序列時容易出現抖動、性能下降等問題。

為從根本上克服這些缺陷，研究團隊最新推出了升級版——TCDiff++，一個從音樂到舞蹈的端到端生成模型。

論文地址：https://arxiv.org/pdf/2506.18671

項目地址：https://da1yuqin.github.io/TCDiffpp.website/

代碼地址：https://github.com/Da1yuqin/TCDiffpp

顧名思義，TCDiff++是一個「軌跡可控」的擴散模型，核心創新在于其兩階段生成流程，專門針對群舞的和諧性與真實感設計：

團體舞蹈解碼器（Group Dance Decoder）：作為第一道工序，它根據輸入的音樂，首先生成一套整體協調、且能避免舞者相互碰撞的初始舞蹈動作。

步法適配器（Footwork Adaptor）：接著，這個專門的模塊會介入，它聚焦于舞者的腳部軌跡，對初始動作進行局部精修，生成扎實的腳步動作，從而有效消除「腳底打滑」的不自然現象。

代碼提供的自動化渲染流程，可以得到項目主頁中同樣的視頻結果，對Blender軟件初學者友好

最終，系統將優化后的精準步法與協調的團體舞姿無縫融合，直接生成一段步伐穩扎、舞者間無碰撞的和諧群舞序列。

框架圖，包含團體舞蹈解碼器（Group Dance Decoder）和步法適配器（Footwork Adaptor），團體舞蹈解碼器首先生成無軌跡碰撞的初始群舞動作；適配器隨后對其腳部軌跡進行優化，減輕滑步現象；最終將優化后的步法自然融入初始動作，合成協調穩定、舞步扎實的完整舞蹈序列

多舞者防碰撞系統

給舞者「排位置」：通過引入舞者定位嵌入（Dance Positioning Embedding），為每位舞者編碼其在隊伍中的左右相對位置，使模型能記住并維持整體隊形，避免混亂。

增強角色區分：新增融合投影模塊（Fusion Projection），將舞者特征映射到更高維空間，強化模型對不同舞者動作的辨識能力，減少身份混淆。

融合投影模塊，左圖是之前投影維度，右圖是提出的融合投影模塊，增加了輸入維度以增強舞者區分度

全局距離約束：通過距離一致性損失函數，在全局層面合理約束舞者間距，確保生成隊形既舒展又不會相互碰撞。

精準步態控制

引入交換模式（swap mode）：在生成初始動作時，將音樂特征與舞者之間特定的空間交換模式共同作為條件，從源頭引導模型生成更合理的步法。

優化腳部軌跡：步法適配器對群舞解碼器生成的原始動作進行專門優化。它利用腳跟、腳趾的觸地狀態和身體根骨骼的速度信息，針對性修正下半身運動，生成腳踏實地的步法，最后再與富有表現力的上半身動作融合，形成自然流暢的最終結果。

長序列生成優化

分段生成，平滑銜接：提出長序列擴散采樣策略（Long Group Diffusion Sampling）。模型并非一次生成全部序列，而是以「分段生成、后半段重疊」的自回歸方式推進。

在生成新片段時，會利用已生成片段的后半部分作為確定性條件，有效維持長序列中角色位置與動作的連貫性，避免突變。

長序列擴散采樣策略，首先生成部分重疊的片段，然后將其合并形成完整的序列

模型對比實驗

為何TCDiff++脫穎而出

實驗測試表明，相較于現有方法，TCDiff++生成的群舞在個體動作質量和群體協調效果兩方面均有顯著提升，能夠在較長音樂片段上持續產生高度同步、富有表現力且整體和諧的舞蹈表演。

不同模型在群舞指標和單舞者指標上的對比實驗，TCDiff++獲得多舞者指標最優、單舞者真實性多樣性效果卓越

不同模型、不同人數在群舞指標和單舞者指標上的對比實驗，TCDiff++定位和身體動作更加一致，從而在團體舞蹈指標中保持持續優勢

對比實驗顯示，現有模型在多人舞蹈生成中各有明顯缺陷：

EDGE（單舞者模型）在群舞場景中嚴重「水土不服」，因難以區分不同舞者，導致頻繁的「腳底打滑」和舞者間碰撞。

GCD過度關注舞者互動，卻忽略了位置坐標建模，同樣產生嚴重腳滑問題。

CoDancers雖減輕了舞者混淆，卻犧牲了整體隊形的協調性與舞者間關聯，且無法生成精準步法。

TCDiff通過分離坐標與動作的兩階段生成，提升了隊形質量，但也導致動作與位置不匹配，影響了個體動作的自然度。

相比之下，TCDiff++憑借其端到端架構與內部模塊的協同設計，有效解決了舞者身份混淆問題，確保了定位與身體動作的高度一致，從而在所有團體舞蹈指標上持續領先，并在單人動作的多樣性與逼真度上表現卓越。

長時生成對比實驗，TCDiff++獲得最佳性能

長序列生成能力考驗

在延伸至720幀的長序列測試（表3）中，所有模型均出現性能衰退，具體表現為：

EDGE與GCD因缺乏空間信息引導，生成序列中會出現突兀的舞者位置交換。

CoDancers與TCDiff采用的自回歸方法各有局限：前者忽略群體特征，導致隊形不佳；后者因動作不確定性，誤差會隨時間累積，最終導致動作與位置嚴重脫節。

唯有TCDiff++憑借端到端設計，保證了位置與動作的一致性，并有效利用歷史生成信息來維持位置穩定，成功實現了最佳的長序列生成效果。

消融實驗，所有模塊在不同程度上緩解了多名舞者碰撞和腳部滑動，從而使舞蹈動作更加逼真

消融實驗的結果也表明當所有模塊同時應用時，模型性能最佳。總體而言，所有模塊都有助于提升模型在群體指標上的表現，從而證明了它們在增強群體舞蹈和諧性方面的有效性。

用戶調研柱狀圖，TCDiff++生成的視覺效果最受用戶喜愛

用戶調研

此外，團隊還基于四項標準（動作真實感、音樂與動作的關聯性、隊形美感以及舞者的和諧感）做了用戶調查研究。結果表明TCDiff++獲得了更多用戶的青睞，展現了在審美吸引力方面的卓越表現。

從虛擬舞團到元宇宙

TCDiff++的落地前景展望

盡管TCDiff++在群體舞蹈生成上取得了突破，但它仍處于「基礎版」階段，在實用性與交互性上還存在明顯局限：

第一，僅支持音樂跨模態，暫不支持其余「多模態」控制，生成模式較為單一。

目前模型僅支持從音樂生成舞蹈這一基礎功能，尚未引入文本描述、動作關鍵幀、舞種風格等多樣化控制信號。

這雖然為跨模態生成打下了堅實基礎，但在真實落地場景中（如虛擬演唱會或游戲劇情動畫），用戶往往需要更靈活的操控手段來精準表達創作意圖。

研究人員選擇優先攻克生成質量與流暢度這一核心難題，將「多模態交互控制」列為下一步突破的重點——這將是實現產品化應用的關鍵。

第二，對「舞者換位」這類復雜隊形變換的學習能力仍顯不足。

這背后既有算法建模處于早期階段的原因，更受限于現有數據集中「換位動作」樣本稀少、缺乏明確標注的客觀限制。

隨著更豐富的群舞數據與更細致的動作標注出現，結合下一代模型架構的優化，未來系統將能更精準、更自然地呈現隊形動態變換之美。

參考資料：

https://arxiv.org/pdf/2506.18671