# TopoSlots Text Prompt 设计方案

## 核心问题

我们的模型接收 **text + target_skeleton** 双条件输入。text prompt 该怎么设计？

```
生成管线: text prompt + skeleton graph → SlotAssignment → MaskGIT → Decoder → motion
                 ↑                          ↑
            描述什么动作                  决定什么骨架
```

## 设计决策

### 决策 1：拓扑信息是否放入 prompt？

**结论：不放**。理由：

1. **架构已分离**：骨架拓扑通过 skeleton graph 独立输入（SkeletonEncoder + SlotAssignment），text 不需要重复编码拓扑
2. **跨骨架泛化**：如果 prompt 包含 "a dog walks"，模型就被绑定到 dog 骨架。但 "walks forward" 可以复用到任何四足/双足
3. **可用性**：用户在推理时可以自由组合 "任意 text × 任意 skeleton"，例如把 "walks forward" 应用到新见的骨架上
4. **标注效率**：不需要为每个骨架重写 prompt

**但有一个例外**：物种名可以作为**可选前缀标签**出现，用于训练时的语义对齐，推理时可以省略。

```
训练时:  "[dog] walks forward and sits down"     ← 方括号内为可选物种标签
推理时:  "walks forward and sits down"           ← 纯动作描述
推理时:  "[cat] walks forward and sits down"     ← 也可以加物种提示
```

### 决策 2：动作描述粒度

三个级别，**只要求 L1，鼓励 L2，L3 可选**：

| 级别 | 格式 | 示例 | 标注成本 | 用途 |
|------|------|------|:--------:|------|
| **L1: 动作标签** | 1-3 个词 | `walk`, `run`, `attack`, `idle` | 极低 | 分类、检索、baseline 条件 |
| **L2: 短描述** | 1 句话，10-20 词 | `walks forward slowly then stops` | 中等 | 主要训练条件 |
| **L3: 详细描述** | 2-3 句话 | `The creature begins walking at a steady pace, gradually slowing down. It pauses briefly, shifts weight, then stops.` | 高 | 精细控制、评估 |

**L2 是核心**——在标注成本和语义丰富度之间取得平衡。

### 决策 3：描述应该是骨架无关的（Skeleton-Agnostic）

**关键原则：描述"做什么"而不是"怎么做"。**

| ✅ 好的描述 (骨架无关) | ❌ 差的描述 (骨架特定) |
|---|---|
| `walks forward` | `moves left leg then right leg alternately` |
| `attacks with its mouth` | `opens jaw joint 15 degrees then closes` |
| `flies in a circle` | `flaps left wing up 45 degrees, right wing follows` |
| `stands idle, looking around` | `rotates head joint on spine3` |
| `runs and jumps over obstacle` | `extends both hind legs while fore legs tuck` |

**为什么**：
- "walks forward" 对人类 22 关节、狗 55 关节、蜘蛛 71 关节都有意义
- "moves left leg then right leg" 假设了双足结构，蜘蛛 8 条腿怎么办？
- 模型的 slot assignment + decoder 会自己决定哪些关节参与 "walk"

### 决策 4：物种通用动作词汇表

标准化动作词汇，跨物种通用：

```
== 运动类 ==
walk, run, sprint, trot, gallop, crawl, slither, swim, fly, hover, glide

== 姿态类 ==
stand, sit, lie down, crouch, squat, rear up, perch

== 交互类 ==
attack, bite, claw, kick, charge, ram, pounce, grab

== 情绪/状态类 ==
idle, alert, sleep, eat, drink, shake, scratch, groom

== 转场类 ==
turn left/right, start, stop, accelerate, decelerate, transition
```

这些词对人类和动物都有意义（人类也可以 "crouch", "charge", "idle"）。

---

## 标注规范 (更新版)

### 每条 motion 的标注格式

```json
{
  "motion_id": "Dog_0001",
  "labels": {
    "L1_action": "walk",
    "L1_action_secondary": "turn",
    "L2_short": "walks forward then turns right",
    "L3_detailed": "The creature walks forward at a moderate pace for several steps, then smoothly turns to the right while maintaining balance.",
    "species_tag": "dog",
    "species_category": "quadruped"
  }
}
```

### 标注优先级

| 优先级 | 数据集 | 当前状态 | 需要做什么 |
|:------:|--------|---------|-----------|
| **P0** | HumanML3D | 100% L2 文本 | 补充 L1 标签（可从文本自动提取） |
| **P1** | Truebones Zoo | 80% L2 文本 | 补全剩余 20%；补充 L1 标签 |
| **P2** | LAFAN1 | 0% | 从文件名提取 L1（`aiming`, `dance`, `fight`...）；VLM 生成 L2 |
| **P2** | 100Style | 0% | 从文件名提取 L1 + style 标签（`happy_walk`, `tired_run`...） |
| **P3** | Bandai Namco | 0% | 有 JSON metadata 可提取；VLM 补 L2 |
| **P3** | CMU MoCap | 0% | 从目录名提取 L1（subject/action 编号） |
| **P4** | Mixamo | 0% | 从文件名 hash→原始动画名映射 |

### 低成本批量标注方案

**Phase 1：自动提取 L1 标签**（零人工成本）
```
LAFAN1 文件名: "aiming1_subject1.bvh" → L1="aim"
100Style:      "Happy_FW.bvh"         → L1="walk", style="happy"
Bandai Namco:  JSON metadata           → L1 直接可用
CMU:           目录结构                 → L1 分类
```

**Phase 2：VLM 自动生成 L2 短描述**
- 渲染骨架动画为 stick figure 视频
- 送入 VLM (GPT-4o / Qwen2.5-VL) 生成 L2 描述
- 模板 prompt: `"Describe the motion of this creature in one sentence. Focus on WHAT it does, not HOW its body parts move."`

**Phase 3：人工审核 + 修正**（只审核 VLM 输出，不从零写）

---

## 训练时的 Text Conditioning 策略

```python
# 训练时随机选择条件级别（鼓励模型学习多粒度）
if has_L3 and random() < 0.2:
    text = sample['L3_detailed']
elif has_L2 and random() < 0.7:
    text = sample['L2_short']
elif has_L1:
    text = sample['L1_action']
else:
    text = ""  # unconditional (CFG dropout)

# 可选：加物种标签前缀
if random() < 0.5 and has_species:
    text = f"[{sample['species_tag']}] {text}"
```

### Classifier-Free Guidance 设计

```
10% 概率: text = "" (完全无条件 → 学习 unconditional motion prior)
10% 概率: text = L1 only (极简条件 → 学习粗粒度控制)
60% 概率: text = L2 short (主要条件)
20% 概率: text = L3 detailed (精细条件)

skeleton 始终提供 (不 dropout skeleton 条件)
```

---

## 与竞争方法的对比

| 方法 | Text 设计 | 骨架条件 | 跨骨架泛化 |
|------|---------|---------|:---------:|
| **HumanML3D** | 自由文本，包含 "a person" | 无（固定 SMPL） | ✗ |
| **NECromancer** | VLM 自动文本 | skeleton 分离 | ✓ (tokenizer) |
| **T2M4LVO** | 多粒度文本，含物种名 | 无 | ✗ |
| **AnyTop** | 无文本条件 | skeleton 分离 | ✓ |
| **TopoSlots (ours)** | **L1+L2+L3 多粒度，骨架无关，可选物种标签** | **skeleton 分离** | **✓ (生成)** |

**我们的优势**：
1. 文本和骨架完全解耦 → "walk" 可以应用到任何骨架
2. 多粒度条件 → 支持从粗到细的控制
3. 可选物种标签 → 训练时提供弱监督语义，推理时灵活组合

---

## 总结：标注工作量评估

| 阶段 | 工作量 | 产出 |
|------|--------|------|
| L1 自动提取 | ~1 天（脚本） | 所有数据集 100% L1 标签 |
| L2 VLM 生成 | ~2 天（GPU） | 缺失数据集 ~9K 条 L2 描述 |
| L2 人工审核 | ~3-5 天 | 质量保证 |
| L3 详细描述 | 可选 | 仅 HumanML3D 已有 |

**结论：L1 可以零成本自动化，L2 用 VLM 生成+人工审核，L3 暂不需要。总人工投入约 3-5 天。**