論文の概要: Deterministic-to-Stochastic Diverse Latent Feature Mapping for Human Motion Synthesis

• arxiv url: http://arxiv.org/abs/2505.00998v1
• Date: Fri, 02 May 2025 04:48:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.906432
• Title: Deterministic-to-Stochastic Diverse Latent Feature Mapping for Human Motion Synthesis
• Title（参考訳）: 人間の動作合成のための決定論的-確率的横性特徴マッピング
• Authors: Yu Hua, Weiming Liu, Gui Xu, Yaqing Hou, Yew-Soon Ong, Qiang Zhang,
• Abstract要約: 人間の動作合成は、人間の動作シーケンスを生成することを目的としている。 近年のスコアベース生成モデル (SGM) は, この課題に対して顕著な成果を上げている。 本研究では,人間の動作合成のための決定論的-確率的横性特徴マッピング法(DSDFM)を提案する。
• 参考スコア（独自算出の注目度）: 31.082402451716973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human motion synthesis aims to generate plausible human motion sequences, which has raised widespread attention in computer animation. Recent score-based generative models (SGMs) have demonstrated impressive results on this task. However, their training process involves complex curvature trajectories, leading to unstable training process. In this paper, we propose a Deterministic-to-Stochastic Diverse Latent Feature Mapping (DSDFM) method for human motion synthesis. DSDFM consists of two stages. The first human motion reconstruction stage aims to learn the latent space distribution of human motions. The second diverse motion generation stage aims to build connections between the Gaussian distribution and the latent space distribution of human motions, thereby enhancing the diversity and accuracy of the generated human motions. This stage is achieved by the designed deterministic feature mapping procedure with DerODE and stochastic diverse output generation procedure with DivSDE.DSDFM is easy to train compared to previous SGMs-based methods and can enhance diversity without introducing additional training parameters.Through qualitative and quantitative experiments, DSDFM achieves state-of-the-art results surpassing the latest methods, validating its superiority in human motion synthesis.
• Abstract（参考訳）: 人間のモーション合成は、コンピュータアニメーションにおいて広く注目を集めている、可塑性な人間のモーションシーケンスを生成することを目的としている。 近年のスコアベース生成モデル (SGM) は, この課題に対して顕著な成果を上げている。 しかし、それらのトレーニングプロセスは複雑な曲率軌道を伴い、不安定なトレーニングプロセスに繋がる。 本稿では,人間の動作合成のための決定論的-確率的横性特徴マッピング法(DSDFM)を提案する。 DSDFMは2つのステージから構成される。 最初の人間の動き再構成段階は、人間の動きの潜在空間分布を学習することを目的としている。 第2の多様な動き生成段階は、ガウス分布と人間の動きの潜在空間分布との間の接続を構築することを目的としており、それによって生成された人間の動きの多様性と精度を高める。 この段階はDerODEとDivSDEを用いた決定論的特徴マッピング法と、DivSDEを用いた確率的多彩な出力生成法により達成される。DSDFMは、従来のSGM法と比較して訓練が容易であり、追加の訓練パラメータを導入することなく多様性を向上させることができる。

関連論文リスト

• Multi-Scale Incremental Modeling for Enhanced Human Motion Prediction in Human-Robot Collaboration [0.0]
  本稿では,複数の時間スケールにまたがるインクリメンタルモデルを明示的に符号化する新しいフレームワークを提案する。 4つのデータセットの実験では、連続性、生体力学的一貫性、長期予測安定性が大幅に改善された。 提案したマルチスケールインクリメンタルアプローチは、シームレスな人間とロボットの相互作用に不可欠な人間の動き予測能力を向上するための強力な技術を提供する。
  論文  参考訳（メタデータ） (2024-12-16T10:20:46Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Spatial-temporal Transformer-guided Diffusion based Data Augmentation for Efficient Skeleton-based Action Recognition [32.07659338674024]
  骨格に基づく行動認識タスクのための新しいデータ拡張手法を提案する。 本手法は, 自然性および多様性の異なる指標に対して, 最先端(SOTA)モーション生成手法より優れる。
  論文  参考訳（メタデータ） (2023-02-26T23:02:33Z)
• 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)
• Skeleton2Humanoid: Animating Simulated Characters for Physically-plausible Motion In-betweening [59.88594294676711]
  現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。 テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。 挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-09T16:15:34Z)

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。