Joints, Camera, Action!：为任意骨架联合生成 3D 运动与视频

研究者提出一个模型，可为任意给定骨架联合生成视频与 3D 运动，并输出将运动对齐到场景的相机参数。该模型将支持任意骨架的 3D 运动模型与预训练视频模型通过少量 cross-attention 层连接，并用生成式视频编辑器构建近 200K 训练对。评估显示其从文本驱动多样骨架的动画比 video-first 流程更忠实，且运动能响应周围场景。