DISCO: Disentangled Control for Realistic Human Dance Generation

给出$f,g$作为参考图片的前背景，然后给出单个pose $p=p_t$或者pose序列 p = { p 1 , p 2 , ⋯   , p T } p = \{p_1,p_2,\cdots,p_T\} p={p1​,p2​,⋯,pT​}，目标是生成对应的单张图片$I_t$或者视频 V = { I 1 , I 2 , ⋯   , I T } V = \{I_1,I_2,\cdots,I_T\} V={I1​,I2​,⋯,IT​}，生成的结果需要同时和提供的$f,g,p$相符合，并且具有泛化性，以可以生成训练数据之外的场景，并且可以任意组合上面三种条件；