链接：https://www.zhihu.com/question/299068775/answer/525874350
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
我感觉CV还好，毕竟是大趋势，要是研究CG试试，简直是坑得吐血，本人研究方向运动捕捉，使用机器学习重构人体姿态，注意不是依据图像信息重构人体姿态，而是利用动捕数据来生成满足特定任务的行为，比如达到某个目标点，处于某种特定姿态，等等。这个我个人感觉只有游戏或者动画能用，但是这些领域一般都是专业人士捕捉好的，鬼才用机器学习生成的效果还不好的那些动画。
像openai这样做的虽然很厉害，但是无法真正投入工程使用，这生成的人体姿态简直无法吐槽：
相比之下，近年来siggraph上面部分文章做的还好，比如这篇论文：
但是细节部分，比如脚的位置，有时候也不是特别好，会嵌入地面内部，实际使用还要经过大量运动学优化，然鹅用运动学以后，矫正太狠就无法保证自然性。
作者之前的论文也做了一个简单的工作，文章戳这里：
————————更新2019-2-24————————
没想到还有这么多人点赞 T_T ，那我再贴点图：
还能用来控制动物走跑跳站立，用深度学习，文章戳这里：
还有飞天龙，用深度强化学习,文章戳这里：
走钢丝，爬楼梯，深度强化学习,文章同上
拳击手，高斯过程属于机器学习，不过是12年的文章了，所以还莫得深度强化学习加进来，文章戳这里
鬼畜，高斯过程，文章同上：
但是自己的研究方向，哭着也要做下去，嗯！！
其实用机器学习比如深度强化学习做MOCAP不仅要让虚拟角色学习如何去完成指定任务，还得保证运动自然性，这才是难点，我jio得目前出现的AI玩游戏中使用的深度强化学习，只关注如何做出正确决策，并未关注角色执行决策时应遵循基本的运动学知识吧。
—————————更新一波：2019-4-2————————
把部分文章代码和网址都丢出来，方便有兴趣的大佬研究研究。
- 《Robust Generation of Dynamical Patterns in Human Motion by a Deep Belief Nets》
[主页](Sainbayar Sukhbaatar)，[论文](Robust Generation of Dynamical Patterns in Human Motion by a Deep Belief Nets)，[代码](tesatory/TDBN)，[视频](https://youtu.be/aGLBFuennXI)
- 《Continuous Character Control with Low-Dimensional Embeddings》
[主页](http://graphics.stanford.edu/projects/ccclde/)，[论文](http://graphics.stanford.edu/projects/ccclde/ccclde.pdf)，[代码](http://graphics.stanford.edu/projects/ccclde/ccclde_code.zip)，[视频](http://graphics.stanford.edu/projects/ccclde/ccclde.mp4)
- 《A Deep Learning Framework For Character Motion Synthesis and Editing》
[主页](A Deep Learning Framework For Character Motion Synthesis and Editing)，[论文](http://theorangeduck.com/media/uploads/motionsynthesis.pdf)，[代码](http://theorangeduck.com/media/uploads/other_stuff/motionsynth_code.zip)，[数据](http://theorangeduck.com/media/uploads/other_stuff/motionsynth_data.zip)，[视频](https://www.youtube.com/watch?v=urf-AAIwNYk)
- 《Phase-Functioned Neural Networks for Character Control》
[主页](Phase-Functioned Neural Networks for Character Control)，[论文](http://theorangeduck.com/media/uploads/other_stuff/phasefunction.pdf)，[代码](http://theorangeduck.com/media/uploads/other_stuff/pfnn.zip)，[视频](NVIDIA SIGGRAPH 2017)
- 《DeepLoco: Dynamic Locomotion Skills Using Hierarchical Deep Reinforcement Learning》
[主页](DeepLoco: Dynamic Locomotion Skills Using Hierarchical Deep Reinforcement Learning)，[论文](https://xbpeng.github.io/projects/DeepLoco/2017_TOG_DeepLoco.pdf)，[代码](xbpeng/DeepLoco)，[视频1](https://youtu.be/G4lT9CLyCNw)，[视频2](https://youtu.be/hd1yvLWm6oA)，[视频3](https://youtu.be/x-HrYko_MRU)
- 《DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills》
[主页](DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills)，[论文](https://xbpeng.github.io/projects/DeepMimic/2018_TOG_DeepMimic.pdf)，[代码](xbpeng/DeepMimic)，[视频1](https://youtu.be/vppFvq2quQ0)，[视频2](https://youtu.be/8KdDwRLtNHQ)
- 《Terrain-Adaptive Locomotion Skills Using Deep Reinforcement Learning》
[论文](https://xbpeng.github.io/projects/DeepTerrainRL/2016_TOG_DeepTerrainRL.pdf)，[代码](xbpeng/DeepTerrainRL)，[视频](https://youtu.be/KPfzRSBzNX4)
- 《Mode-Adaptive Neural Networks for Quadruped Motion Control》
[主页](sebastianstarke/AI4Animation)，[论文](http://homepages.inf.ed.ac.uk/tkomura/dog.pdf)，[代码](sebastianstarke/AI4Animation)，[视频](https://www.youtube.com/watch?v=uFJvRYtjQ4c)
- 《PiGraphs: Learning Interaction Snapshots from Observations》
[主页](http://graphics.stanford.edu/projects/pigraphs/)，[论文](http://graphics.stanford.edu/projects/pigraphs/pigraphs.pdf)，[代码](msavva/pigraphs)，[视频](https://youtu.be/Ws9jPxCAFrg)
之前开源过的论文，代码在我百度云，**开山鼻祖**：
- 《Modeling human motion using binary latent variables 》
[论文](http://www2.egr.uh.edu/~zhan2/ECE6111_Fall2015/modeling%20human%20motion%20using%20binary%20latent%20variables.pdf)，代码：[链接](https://pan.baidu.com/s/1CykAB4Dis2XcEq_bnYeRww ) 提取码：p353
- 《Factored Conditional Restricted Boltzmann Machines
for Modeling Motion Style》
[论文](http://www.cs.toronto.edu/~fritz/absps/fcrbm_icml.pdf)，代码：[链接](https://pan.baidu.com/s/16i4tMu-cw1vLvWULZd-Bww ) 提取码：42i2
- [Dynamical binary latent variable models for 3D human pose tracking]
[论文](https://www.cs.ubc.ca/~lsigal/Publications/cvpr2010gwtaylor.pdf)，[代码](gwtaylor/imCRBM)