ECCV 2026 | 北大团队提出 Atomic Dance：基于原子动作的可解释音乐舞蹈生成框架

该论文的第一作者和通讯作者均来自北京大学王选计算机研究所，第一作者为博士生蔡鑫豪，通讯作者为博士生导师刘洋。团队近年来在 TPAMI、IJCV、CVPR、ICML 等顶会上有多项代表性成果发表，多次荣获国内外多模态理解与生成竞赛冠军，和国内外知名高校、科研机构广泛开展合作。

本文主要介绍来自该团队的最新论文 Music-to-Dance Generation via Atomic Movements。

(资料图片)

该工作聚焦于音乐驱动舞蹈生成任务，首次提出以原子动作作为舞蹈的基本组成单元，建立了具有明确语义和结构的舞蹈表示，并设计了 "动作规划 — 舞蹈生成" 两阶段框架，使生成的舞蹈不仅更加符合音乐节奏和整体编舞逻辑，还具备良好的可解释性和可编辑性，为智能编舞提供了新的研究思路。

目前该工作已被 ECCV 2026 正式接收，相关代码与模型已全部开源。

• 论文标题：Music-to-Dance Generation via Atomic Movements
• 论文链接：https://arxiv.org/abs/2607.13978
• 代码链接：https://github.com/oceanflowlab/AtomicDance
• 项目主页：https://cxhcmhhh.github.io/AtomicDanceProject/

为什么 AI 能跳舞，却不会编舞？

近年来，扩散模型的发展推动了音乐驱动舞蹈生成取得快速进展。输入一段音乐，模型即可生成对应的三维人体舞蹈动作。然而，如果仔细观察真实舞蹈，会发现舞蹈并不是连续动作的简单拼接，而具有明显的结构性。无论是街舞、爵士还是现代舞，一段完整的舞蹈通常都会围绕若干具有明确意义的动作不断展开：某个挥臂动作可能随着不同音乐节拍多次重复；某个转身动作可能不断变化速度、幅度和方向；多个基础动作按照一定顺序不断组合，共同形成完整编舞。

然而，现有主流方法大多将音乐到舞蹈生成视为端到端序列生成问题，直接预测每一帧人体姿态。虽然这种方式能够学习局部节奏对应关系，但无法理解舞蹈背后的结构组织，因此容易导致长时间舞蹈缺乏整体一致性、动作不断重复却缺少变化、很难理解模型为什么会生成某个动作、用户几乎无法编辑已经生成的舞蹈等问题。

因此，AI 是不是应该先学会 "编舞"，再学会 "跳舞"？这一问题成为本文工作的出发点。

把舞蹈拆解成 "原子动作"

为此，研究团队提出了一个新的概念 ——Atomic Movement（原子动作）。团队认为，一个真正能够作为编舞基本单元的动作，应满足三个特点：

（1）完整的动作过程，而不是单一姿态。例如，一个踢腿动作不仅包含抬腿瞬间，还包括准备、发力和收腿整个过程，因此能够表达完整动作含义。

（2）能够不断重复，但每次又有所变化。同一个动作可以随着音乐变化速度、方向、幅度和力度，在整支舞蹈中不断重复出现。

（3）具有明确语义。每个动作都能够被自然语言描述，例如 "举起右手"" 双臂展开 ""身体旋转" 等，使动作能够被理解、检索和编辑。

图 1: 从现有舞蹈数据中提取原子动作。

为了自动发现这些原子动作，研究团队设计了一套三阶段构建流程，如图 1 所示：

• 动作分割（Segmentation）：如图 1 (1)，首先将连续舞蹈划分为完整动作事件，而不是固定长度片段；
• 动作聚类（Clustering）：如图 1 (2)，利用运动特征发现大量重复出现的基础动作模式；
• LLM 语义重聚类（In-group Re-clustering）：如图 1 (3)，进一步利用大语言模型分析每个聚类内部的细粒度语义，为原子动作赋予可解释的自然语言标签。

最终，模型获得了一套可重复、可组合、可解释的原子动作，为后续编舞提供了基础。

模拟真实编舞流程：先规划，再完成舞蹈

基于原子动作，团队进一步提出了一种两阶段结构化生成框架，如图 2 所示。

图 2: 完整的方法概览。

第一阶段：动作规划。如图 2 (1)，模型首先完整理解整段音乐，并预测各个原子动作的位置、种类、时长。最终形成类似于一份 "舞蹈乐谱" 的高层编舞方案。

第二阶段：舞蹈补全。如图 2 (2)，模型根据规划结果，从对应原子动作中选择动作原型，并利用扩散模型生成动作之间的自然衔接，同时对重复动作进行适当变化，使整段舞蹈既保持整体结构，又具有丰富表现力。

这种设计很好地模拟了现实中的创作过程：编舞者负责规划动作结构，舞者负责完成具体表演。相比传统端到端生成方法，模型能够充分利用整段音乐信息，生成更加符合音乐结构、更加连贯自然的舞蹈，同时支持用户直接修改原子动作，实现真正意义上的可编辑生成。

实验结果：生成更加自然、更符合音乐结构的舞蹈

研究团队在 AIST++ 数据集上与当前主流音乐舞蹈生成方法进行了全面比较。

表 1: AtomicDance 的定量实验结果，粗体表示最优表现。

实验结果表明，该方法在舞蹈真实性（FID）、节奏一致性（Beat Alignment Score）以及结构一致性（R-precision）等多个指标上均取得了领先表现。可见，提出的原子动作表示不仅显著提升了长时间舞蹈的整体结构，还使生成结果更加接近真实编舞过程。同时，本研究还进行了消融实验，如表 2 验证了原子动作再创作对舞蹈质量、结构一致性和音乐一致性的有效提升；表 3 验证了原子动作选择时本研究提出的各个策略的性能差异，并证实了根据原子动作长度进行选择的方案总体最优。

表 2: 针对原子动作再创作的消融实验。

表 1: 针对原子动作选择的消融实验。

图 3: 定性结果对比。

此外，定性结果如图 3 和以下的视频进一步验证了本方法相较于现有方法的优越性。

视频链接：https://mp.weixin.qq.com/s/TkBXUyQ_zWFLxPUWROP0VA

从 "生成动作" 迈向 "理解编舞"

相比已有方法主要关注动作生成本身，该工作进一步探索了 AI 是否能够学习人类编舞中的结构规律。通过引入原子动作这一中间表示，模型能够显式学习舞蹈的组成方式，使舞蹈生成从单纯的动作预测发展为具有结构规划能力的编舞过程，也使生成结果具备更好的可解释性、可编辑性以及可控性。

研究团队认为，这一工作为未来数字人表演、智能编舞、人机协同艺术创作等方向提供了新的技术路径，也为结构化动作生成和可解释生成模型研究带来了新的思路。