Fugu-MT 論文翻訳(概要): Human Motion Synthesis_ A Diffusion Approach for Motion Stitching and In-Betweening

論文の概要: Human Motion Synthesis_ A Diffusion Approach for Motion Stitching and In-Betweening

arxiv url: http://arxiv.org/abs/2409.06791v1
Date: Tue, 10 Sep 2024 18:02:32 GMT
ステータス: 処理完了
システム内更新日: 2024-09-12 17:07:53.288033
Title: Human Motion Synthesis_ A Diffusion Approach for Motion Stitching and In-Betweening
Title（参考訳）: Human Motion Synthesis_A Diffusion Approach for Motion Stitching and In-betweening
Authors: Michael Adewole, Oluwaseyi Giwa, Favour Nerrise, Martins Osifeko, Ajibola Oyedeji,
Abstract要約: 本研究では,現実的な人間の動きを生成するための変圧器を用いた拡散モデルを提案する。提案手法は, 中間配列の生成において高い性能を示した。本稿では,Frechet Inception Distance(FID),Diversity,Multimodalityなどの定量的指標を用いて,本手法の性能評価を行った。
参考スコア（独自算出の注目度）: 2.5165775267615205
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Human motion generation is an important area of research in many fields. In this work, we tackle the problem of motion stitching and in-betweening. Current methods either require manual efforts, or are incapable of handling longer sequences. To address these challenges, we propose a diffusion model with a transformer-based denoiser to generate realistic human motion. Our method demonstrated strong performance in generating in-betweening sequences, transforming a variable number of input poses into smooth and realistic motion sequences consisting of 75 frames at 15 fps, resulting in a total duration of 5 seconds. We present the performance evaluation of our method using quantitative metrics such as Frechet Inception Distance (FID), Diversity, and Multimodality, along with visual assessments of the generated outputs.
Abstract（参考訳）: 人間の運動生成は多くの分野において重要な研究領域である。本研究は, 運動縫合とイン・バイ・トゥイーニングの課題に取り組むものである。現在のメソッドは手作業を必要とするか、より長いシーケンスを扱うことができない。これらの課題に対処するために,トランスフォーマーをベースとしたデノイザを用いた拡散モデルを提案し,現実的な人間の動きを生成する。提案手法は,入力ポーズの変動数を15fpsで75フレームからなるスムーズでリアルな動作シーケンスに変換することにより,最大で5秒の持続時間を実現した。本稿では,Frechet Inception Distance(FID),Diversity,Multimodalityなどの定量的指標を用いて,提案手法の性能評価を行った。

関連論文リスト

RecMoDiffuse: Recurrent Flow Diffusion for Human Motion Generation [5.535590461577558]
RecMoDiffuseは時間モデリングのための新しい再帰拡散定式化である。人間の動作の時間的モデリングにおけるRecMoDiffuseの有効性を実証する。
論文参考訳（メタデータ） (2024-06-11T11:25:37Z)
Motion Flow Matching for Human Motion Synthesis and Editing [75.13665467944314]
本研究では,効率的なサンプリングと効率性を備えた人体運動生成のための新しい生成モデルであるemphMotion Flow Matchingを提案する。提案手法は, 従来の拡散モデルにおいて, サンプリングの複雑さを1000ステップから10ステップに減らし, テキスト・ツー・モーション・ジェネレーション・ベンチマークやアクション・ツー・モーション・ジェネレーション・ベンチマークで同等の性能を実現する。
論文参考訳（メタデータ） (2023-12-14T12:57:35Z)
DiffusionPhase: Motion Diffusion in Frequency Domain [69.811762407278]
そこで本研究では,テキスト記述から高品質な人間の動作系列を生成する学習手法を提案する。既存の技術は、任意の長さの動き列を生成する際に、動きの多様性と滑らかな遷移に苦しむ。動作空間をコンパクトで表現力のあるパラメータ化位相空間に変換するネットワークエンコーダを開発する。
論文参考訳（メタデータ） (2023-12-07T04:39:22Z)
Executing your Commands via Motion Diffusion in Latent Space [51.64652463205012]
本研究では,動作遅延に基づく拡散モデル(MLD)を提案し,条件付き入力に対応する鮮明な動き列を生成する。我々のMDDは、広範囲な人体運動生成タスクにおいて、最先端の手法よりも大幅に改善されている。
論文参考訳（メタデータ） (2022-12-08T03:07:00Z)
Human Motion Diffusion Model [35.05219668478535]
運動拡散モデル(英: Motion Diffusion Model、MDM)は、人間の動作領域に対する変換器に基づく生成モデルである。我々は,本モデルが軽量な資源で訓練されていることを示すとともに,テキスト・トゥ・モーションとアクション・トゥ・モーションのベンチマークにおいて,最先端の結果が得られることを示した。
論文参考訳（メタデータ） (2022-09-29T16:27:53Z)
Recurrent Transformer Variational Autoencoders for Multi-Action Motion Synthesis [17.15415641710113]
任意の長さの多動作人間の動作列を合成する問題を考察する。既存のアプローチでは、単一のアクションシナリオでモーションシーケンス生成をマスターしているが、多アクションおよび任意の長さのシーケンスに一般化できない。本稿では,リカレントトランスの豊かさと条件付き変分オートエンコーダの生成豊かさを活用する,新しい効率的な手法を提案する。
論文参考訳（メタデータ） (2022-06-14T10:40:16Z)
Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
動作駆動型人間の動作予測の課題について紹介する。一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
論文参考訳（メタデータ） (2022-05-31T08:38:07Z)
Generating Smooth Pose Sequences for Diverse Human Motion Prediction [90.45823619796674]
本稿では,多様な動作予測と制御可能な動作予測のための統合された深部生成ネットワークを提案する。標準ベンチマークデータセットであるHuman3.6MとHumanEva-Iの2つの実験は、我々のアプローチがサンプルの多様性と精度の両方において最先端のベースラインより優れていることを示した。
論文参考訳（メタデータ） (2021-08-19T00:58:00Z)
Motion Prediction Using Temporal Inception Module [96.76721173517895]
人間の動作を符号化するTIM(Temporal Inception Module)を提案する。本フレームワークは,異なる入力長に対して異なるカーネルサイズを用いて,畳み込み層を用いて入力埋め込みを生成する。標準的な動き予測ベンチマークデータセットであるHuman3.6MとCMUのモーションキャプチャデータセットの実験結果から,我々の手法は一貫して技術手法の状態を上回ります。
論文参考訳（メタデータ） (2020-10-06T20:26:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。