南洋理工大学（NTU）S-Lab 与香港中文大学研究团队，提出全新动作生成框架 MoTok！该技术首创基于扩散的离散运动 tokenizer，破解了动作生成中 “可控性” 与 “自然度” 的取舍困境，同时将 token 量压缩至现有 SOTA 方法的 1/6，实现 “越控越自然” 的突破性效果！
研究团队与论文信息
核心作者
Chenyang Gu、Mingyuan Zhang、Haozhe Xie）：NTU S-Lab 共同一作
Zhongang Cai、Lei Yang：核心研究成员
刘子纬（Ziwei Liu）：NTU S-Lab 通讯作者，课题负责人
链接
论文链接：https://arxiv.org/pdf/2603.19227v1
项目主页：https://rheallyc.github.io/projects/motok/
Github链接：github.com/rheallyc/MoTok
核心突破：破解 “可控性 - 自然度” 二选一难题
现有动作生成方法中，控制越强动作越僵硬，追求自然度则易偏离指令，两类需求始终此消彼长！MoTok 团队指出，核心矛盾在于：高层语义规划（决定 “做什么”）与低层细节控制（决定 “怎么做”）被强行压缩在同一生成阶段，相互拉扯导致性能受限！
MoTok 首创Perception–Planning–Control 三阶段范式，从根源化解矛盾：
Perception 阶段：灵活适配全局 / 局部条件输入，理解动作需求
Planning 阶段：在离散 token 空间完成高层语义规划，仅保留核心语义信息
Control 阶段：通过基于扩散的解码器，完成动作细节重建与细粒度控制
关键性能数据：token 大砍，效果全面提升
核心指标突破
oken 量压缩：仅为现有 SOTA 方法的1/6，大幅降低计算成本
轨迹误差降低：从0.72cm降至0.08cm，降幅达 89%！
FID 指标优化：基础 FID 从0.083降至0.029，降幅65%；关节轨迹控制下 FID 再降58%，低至 0.014！
多任务性能提升：文生动作（T2M）、动生文（M2T）任务效果均大幅提升，T2M FID 从0.141降至0.053！
对比实验验证
在完全相同的离散 token 下，仅替换为 MoTok 扩散解码器，重建效果即显著改善；替换为 MoTok token 后，无论搭配何种解码器，文生动作效果均大幅提升！
技术创新：从粗到精的分阶段控制注入
从粗到精的控制注入方案
Planning 阶段：关节轨迹以粗粒度约束参与动作规划，不干扰语义规划
Control 阶段：以细粒度约束通过扩散迭代优化，精准控制动作细节
消融实验验证：仅保留 Planning 阶段粗约束，轨迹控制误差大幅上升；仅在 Control 阶段施加细约束，动作分布明显受损；双阶段协同才能实现可控性与自然度的双重提升！
应用前景：赋能数字人、具身智能等多场景
MoTok 实现了高层语义与低层细节的解耦，让条件动作生成同时具备更强可控性、更高自然度与更好通用性！
该范式为具身智能、数字人、虚拟角色动画等场景，提供了全新的技术方向，推动动作生成技术迈向实用化！
