論文の概要: Auto-Connect: Connectivity-Preserving RigFormer with Direct Preference Optimization

• arxiv url: http://arxiv.org/abs/2506.11430v1
• Date: Fri, 13 Jun 2025 03:06:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.638651
• Title: Auto-Connect: Connectivity-Preserving RigFormer with Direct Preference Optimization
• Title（参考訳）: Auto-Connect: 直接選好最適化を用いた接続性保存RigFormer
• Authors: Jingfeng Guo, Jian Liu, Jinnan Chen, Shiwei Mao, Changrong Hu, Puhua Jiang, Junlin Yu, Jing Xu, Qi Liu, Lixin Xu, Zhuo Chen, Chunchao Guo,
• Abstract要約: Auto-Connectは骨格接続を明示的に保存する自動リグのための新しいアプローチである。 我々は、それぞれの関節の子供と各階層層のエンドポイントを定義するために、特別なトークンを使用します。 また,潜伏した上顎骨の選抜に暗黙の測地学的特徴を取り入れ,皮膚の質を著しく改善した。
• 参考スコア（独自算出の注目度）: 13.707297951604579
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Auto-Connect, a novel approach for automatic rigging that explicitly preserves skeletal connectivity through a connectivity-preserving tokenization scheme. Unlike previous methods that predict bone positions represented as two joints or first predict points before determining connectivity, our method employs special tokens to define endpoints for each joint's children and for each hierarchical layer, effectively automating connectivity relationships. This approach significantly enhances topological accuracy by integrating connectivity information directly into the prediction framework. To further guarantee high-quality topology, we implement a topology-aware reward function that quantifies topological correctness, which is then utilized in a post-training phase through reward-guided Direct Preference Optimization. Additionally, we incorporate implicit geodesic features for latent top-k bone selection, which substantially improves skinning quality. By leveraging geodesic distance information within the model's latent space, our approach intelligently determines the most influential bones for each vertex, effectively mitigating common skinning artifacts. This combination of connectivity-preserving tokenization, reward-guided fine-tuning, and geodesic-aware bone selection enables our model to consistently generate more anatomically plausible skeletal structures with superior deformation properties.
• Abstract（参考訳）: 本稿では,自動リギングのための新しいアプローチであるAuto-Connectを紹介し,接続保存トークン化方式を用いて骨格接続を明示的に保存する。 接続決定の前に骨の位置を2つの関節または第1の予測点として表す従来の方法とは異なり,本手法では,接続関係を効果的に自動化し,各関節の子供と階層層のエンドポイントを定義するために特別なトークンを用いている。 このアプローチは、接続情報を予測フレームワークに直接統合することで、トポロジ的精度を大幅に向上させる。 さらに高品質なトポロジを保証するために,トポロジ対応の報酬関数を実装した。 さらに,潜伏した上顎骨の選抜に暗黙の測地学的特徴を取り入れ,皮膚の質を著しく向上させる。 モデルの潜伏空間内での測地的距離情報を活用することにより,本手法は頂点ごとの最も影響力のある骨をインテリジェントに決定し,一般的なスキンアーティファクトを効果的に緩和する。 このコネクティビティ保存トークン化, 報酬誘導細調整, ジオデシック骨選択の組み合わせにより, 優れた変形特性を有する解剖学的に妥当な骨格構造を連続的に生成することができる。

関連論文リスト

• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• E3Bind: An End-to-End Equivariant Network for Protein-Ligand Docking [20.266157559473342]
  我々は、リガンドポーズを反復的に更新するエンドツーエンドの同変ネットワークであるE3Bindを提案する。 E3Bindはドッキングにおける幾何学的制約を慎重に考慮し、タンパク質-リガンド相互作用をモデル化する。 標準ベンチマークデータセットの実験は、エンドツーエンドのトレーニング可能なモデルの優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2022-10-12T10:25:54Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• A Hybrid Framework for Sequential Data Prediction with End-to-End Optimization [0.0]
  オンライン環境での非線形予測について検討し,手作業による特徴や手作業によるモデル選択の問題を効果的に緩和するハイブリッドモデルを提案する。 逐次データからの適応的特徴抽出にはLSTM(Recurrent Neural Network)、効果的な教師付き回帰には勾配強化機構(soft GBDT)を用いる。 本稿では, 合成データに対するアルゴリズムの学習挙動と, 各種実生活データセットに対する従来の手法による性能改善について述べる。
  論文  参考訳（メタデータ） (2022-03-25T17:13:08Z)
• U-mesh: Human Correspondence Matching with Mesh Convolutional Networks [15.828285556159026]
  本稿では,パラメータテンプレートモデルを生の走査メッシュに適合させるために,レグレッション(ボトムアップ)と生成(トップダウン)のエレガントな融合を提案する。 最初の大きな貢献は、テンプレート表面への点対応を予測する固有の畳み込みメッシュU-netアーキテクチャである。 FAUST対応課題に対する提案手法の評価を行い,対象者間対応技術の現状を20%(33%)改善する方法について検討した。
  論文  参考訳（メタデータ） (2021-08-15T08:58:45Z)
• A Coupled Manifold Optimization Framework to Jointly Model the Functional Connectomics and Behavioral Data Spaces [5.382679710017696]
  本稿では,コホートに共通する低次元行列多様体にfMRIデータを投影する結合多様体最適化フレームワークを提案する。 患者固有の負荷は、同時に第2の非線形多様体を介して、興味の行動尺度にマップされる。 自閉症スペクトラム障害58例の安静時fMRIの枠組みを検証した。
  論文  参考訳（メタデータ） (2020-07-03T20:12:51Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。