REALM

REALM 是一个从粗到细的生成框架，能够根据说话人的音频合成逼真的听者反应动作。它通过模拟自然认知延迟、强制执行真实的静止状态以及分离平滑头部轨迹与快速面部微表情来克服现有方法中的不自然偏差和过度平滑问题。该模型特别适用于需要高度真实感的人形机器人互动场景。