DR：面向数据高效语音视频合成的解耦递归表征学习

基于摘要分析。该研究面向音频驱动的说话视频合成，试图缓解伴随语音的手势生成所需训练视频较长，以及长序列生成中连续性与多样性难以兼顾的问题。作者提出 Disentangled Recurrent Representation Learning（DR），结合解耦潜空间与递归推理，生成与语音同步的全身说话视频。 机制上，方法首先引入解耦潜空间假设，鼓励非配对的音频与姿态组合，以支持姿态生成中的“一对多”映射；随后通过递归推理模块，将上一阶段的生成结果反馈为下一阶段的初始引导，以维持长时生成的连续性与多样性。摘要未披露解耦约束、损失函数、递归状态及分阶段生成的具体实现。 作者将既有方法通常需要超过 1 小时训练序列作为问题背景，并报告其框架可使用约 2 分钟的短训练视频生成长且多样的手势序列，以及逼真、同步的全身说话视频。这些是作者在摘要中的结论；具体数据集、人物数量、训练与测试划分、生成时长、对照基线、定量指标、消融及统计信息尚未验证，不能仅凭时长描述量化其相对优势。 平台推测（待验证）：若将音频—姿态任务中的条件与生成变化因素解耦思路用于 EEG 条件动作生成，可能有助于表达同一条件下的多种合理动作；但须改造条件编码与对齐模块，并验证 EEG 是否包含足够的动作约束信息。低信噪比、被试差异及少量配对数据可能导致解耦失效，递归反馈也可能累积误差。可在固定 EEG—动作配对划分下，对比有无解耦和递归反馈的版本，同时检查条件一致性、多样性及长序列误差累积。该假设不属于原论文已验证贡献，已有 EEG 相关工作尚未检索确认。