DAC-Pose: Dual-Agent Collaborative Framework for Pose-Guided Human Generation

📄 arXiv: 2608.04622v1 📥 PDF

作者: Haotian Yang, Zhile Yang, Huiyu Zhou, Xin Sun

分类: cs.CV

发布日期: 2026-08-05

备注: Code is available at https://github.com/AIVRC/DAC-Pose

🔗 代码/项目: GITHUB

💡 一句话要点

提出DAC-Pose以解决姿态引导人类生成中的视觉伪影问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 姿态引导生成 双代理系统 语义推理 视觉编码 生成对抗网络

📋 核心要点

  1. 现有的姿态引导人类生成方法在剧烈视角变化下容易产生视觉伪影，缺乏逻辑推理能力。
  2. DAC-Pose通过双代理系统，分别进行语义推理和视觉编码，解决了未见区域的生成问题。
  3. 在DeepFashion和Market-1501基准测试中，DAC-Pose在纹理对齐和身份一致性方面表现优越。

📝 摘要（中文）

AI代理已成为生成图像合成中的一种强大新范式，使系统能够执行复杂的语义推理，而不仅仅是被动的像素级映射。在姿态引导的人类生成中，传统方法在剧烈的视角变化下不可避免地产生严重的视觉伪影，根本原因在于它们缺乏逻辑推理未见区域和建模复杂空间变形的能力。为了解决这一问题，我们提出了DAC-Pose，这是一种新颖的代理驱动多模态框架，将单视图人类生成重新构建为协作的双代理系统。DAC-Pose集成了两个互补组件，即先验语义推理（PSR）代理和差异感知视觉编码（DAVE）代理。PSR作为认知引擎，利用协作推理推导未见区域的细粒度属性，而DAVE作为专门的视觉感知代理，量化并编码视角引起的空间不对齐，持续将强大的空间约束反馈到生成过程中。实验结果表明，DAC-Pose在剧烈视角变化下能够有效保持纹理对齐和身份一致性。

🔬 方法详解

问题定义：本论文旨在解决姿态引导人类生成中的视觉伪影问题，现有方法在剧烈视角变化下无法有效推理未见区域，导致生成结果不理想。

核心思路：DAC-Pose提出了一种双代理协作框架，利用先验语义推理（PSR）和差异感知视觉编码（DAVE）代理分别进行语义推理和视觉感知，从而实现高保真细节合成。

技术框架：DAC-Pose的整体架构包括两个主要模块：PSR代理负责推导未见区域的细粒度属性，DAVE代理则量化视角引起的空间不对齐，并将反馈信息传递给生成过程。

关键创新：DAC-Pose的核心创新在于将单视图人类生成重新构建为双代理协作系统，突破了传统方法在逻辑推理和空间建模上的局限。

关键设计：在设计中，PSR代理采用了协作推理机制，而DAVE代理则使用了差异感知编码策略，确保生成过程中的空间约束能够有效反馈，提升生成质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在DeepFashion和Market-1501基准测试中，DAC-Pose在剧烈视角变化下的纹理对齐和身份一致性方面显著优于传统方法，具体性能提升幅度达到XX%（具体数据未知）。

🎯 应用场景

DAC-Pose在时尚、游戏角色生成和虚拟现实等领域具有广泛的应用潜力。其高保真的人类生成能力能够提升用户体验，并为创意产业提供新的工具和方法。未来，该技术可能推动更复杂的场景生成和人机交互的发展。

📄 摘要（原文）

AI agents have emerged as a powerful new paradigm in generative image synthesis, enabling systems to perform complex semantic reasoning rather than passive pixel-level mapping. In pose-guided human generation, conventional methods inevitably produce severe visual artifacts under drastic viewpoint shifts, fundamentally because they lack the cognitive capacity to logically deduce unseen regions and model complex spatial deformations. To bridge this gap, we propose DAC-Pose, a novel agent-driven multimodal framework that reformulates single-view human generation as a collaborative dual-agent system. DAC-Pose integrates two complementary components, namely, the Prior Semantic Reasoning (PSR) agent and the Discrepancy-Aware Visual Encoding (DAVE) agent. Functioning as a cognitive engine, PSR utilizes collaborative reasoning to deduce the fine-grained attributes of unseen regions. Concurrently, acting as a specialized visual perception agent, DAVE quantifies and encodes viewpoint-induced spatial misalignments, continuously feeding robust spatial constraints back into the generative process. This autonomous feedback loop between semantic deduction and visual perception ensures high-fidelity detail synthesis. Extensive experiments on the DeepFashion and Market-1501 benchmarks validate the superiority of our agent-driven paradigm. Notably, DAC-Pose excels in preserving texture alignment and identity consistency under drastic viewpoint changes. The code is available at https://github.com/AIVRC/DAC-Pose.