論文の概要: FunPhase: A Periodic Functional Autoencoder for Motion Generation via Phase Manifolds

• arxiv url: http://arxiv.org/abs/2512.09423v1
• Date: Wed, 10 Dec 2025 08:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.451733
• Title: FunPhase: A Periodic Functional Autoencoder for Motion Generation via Phase Manifolds
• Title（参考訳）: FunPhase: フェーズマニフォールドによる運動生成のための周期関数型オートエンコーダ
• Authors: Marco Pegoraro, Evan Atherton, Bruno Roy, Aliasghar Khani, Arianna Rampini,
• Abstract要約: 動作の位相多様体を学習し、離散時間デコーディングを関数空間の定式化に置き換える機能周期型オートエンコーダFunPhaseを紹介する。 FunPhaseは、超分解能や部分体モーション補完などの下流タスクをサポートし、スケルトンとデータセットをまたいで一般化し、単一の解釈可能な多様体内でのモーション予測と生成を統一する。
• 参考スコア（独自算出の注目度）: 2.6041136107390037
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning natural body motion remains challenging due to the strong coupling between spatial geometry and temporal dynamics. Embedding motion in phase manifolds, latent spaces that capture local periodicity, has proven effective for motion prediction; however, existing approaches lack scalability and remain confined to specific settings. We introduce FunPhase, a functional periodic autoencoder that learns a phase manifold for motion and replaces discrete temporal decoding with a function-space formulation, enabling smooth trajectories that can be sampled at arbitrary temporal resolutions. FunPhase supports downstream tasks such as super-resolution and partial-body motion completion, generalizes across skeletons and datasets, and unifies motion prediction and generation within a single interpretable manifold. Our model achieves substantially lower reconstruction error than prior periodic autoencoder baselines while enabling a broader range of applications and performing on par with state-of-the-art motion generation methods.
• Abstract（参考訳）: 自然運動の学習は、空間幾何学と時間力学の強い結合により、依然として困難である。 位相多様体における運動の埋め込み、局所周期性を捉える潜在空間は、運動予測に有効であることが証明されているが、既存のアプローチはスケーラビリティに欠け、特定の設定に限られている。 動作のための位相多様体を学習し、離散時間デコーディングを関数空間の定式化で置き換える機能周期型オートエンコーダであるFunPhaseを導入し、任意の時間分解能でサンプリングできるスムーズなトラジェクトリを実現する。 FunPhaseは、超分解能や部分体モーションコンプリートのような下流タスクをサポートし、スケルトンとデータセットをまたいで一般化し、単一の解釈可能な多様体内でのモーション予測と生成を統一する。 提案手法は,従来の周期的オートエンコーダベースラインよりも大幅に低い再構成誤差を実現するとともに,広範囲のアプリケーションを実現し,最先端の動作生成手法に匹敵する性能を実現している。

関連論文リスト

• Bidirectional Feature-aligned Motion Transformation for Efficient Dynamic Point Cloud Compression [97.66080040613726]
  特徴空間における動きを暗黙的にモデル化する双方向特徴整合運動変換(Bi-FMT)フレームワークを提案する。 Bi-FMTは、時間的に一貫した潜在表現を生成するために、過去と将来の両方のフレームで機能を調整する。 圧縮効率とランタイムの両方において, Bi-FMT が D-DPCC と AdaDPCC を上回っていることを示す。
  論文  参考訳（メタデータ） (2025-09-18T03:51:06Z)
• PatchTraj: Unified Time-Frequency Representation Learning via Dynamic Patches for Trajectory Prediction [14.48846131633279]
  軌道予測のための時間周波数ジョイントモデリングを統合した動的パッチベースのフレームワークを提案する。 具体的には、軌道を生の時間列と周波数成分に分解し、動的パッチ分割を用いてマルチスケールセグメンテーションを行う。 その結果、拡張された埋め込みは強力な表現力を示し、バニラアーキテクチャを使用した場合でも正確な予測を可能にする。
  論文  参考訳（メタデータ） (2025-07-25T09:55:33Z)
• Learning segmentation from point trajectories [79.02153797465326]
  本稿では,光フローを補完する監視信号として,長期的点軌跡を用いたセグメンテーションネットワークを訓練する方法を提案する。 本手法は,モーションベースセグメンテーションにおける先行技術より優れる。
  論文  参考訳（メタデータ） (2025-01-21T18:59:53Z)
• Motion-Aware Generative Frame Interpolation [23.380470636851022]
  フローベースのフレーム法は、推定中間フローを通しての運動安定性を保証するが、複雑な動き領域で深刻なアーティファクトを導入することが多い。 大規模な事前学習ビデオ生成モデルによって強化された最近の生成的アプローチは、複雑なシーンの処理において有望であることを示している。 本研究では、中間フロー誘導と生成能力を相乗化して忠実度を高める動き認識生成フレーム(MoG)を提案する。
  論文  参考訳（メタデータ） (2025-01-07T11:03:43Z)
• Space-Time Video Super-resolution with Neural Operator [36.715371608285025]
  本稿では,時空ビデオ超解像(ST-MEMVSR)の課題について述べる。 物理インフォームドニューラルネットワークの最近の進歩に触発されて,ST-VSRにおけるMEMCの課題をモデル化した。 提案手法は, 粗粒状連続函数空間における独立な低分解能表現を, 微細粒状連続函数空間における豊富な時間的詳細を持つ洗練された表現に変換する。
  論文  参考訳（メタデータ） (2024-04-09T05:49:04Z)
• FLD: Fourier Latent Dynamics for Structured Motion Representation and Learning [19.491968038335944]
  本研究では,周期的・準周期的な動きの時空間関係を抽出する自己教師付き構造表現生成手法を提案する。 我々の研究は、一般的な動き表現と学習アルゴリズムの今後の進歩への新たな可能性を開く。
  論文  参考訳（メタデータ） (2024-02-21T13:59:21Z)
• 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)
• Motion In-Betweening with Phase Manifolds [29.673541655825332]
  本稿では,周期的オートエンコーダによって学習された位相変数を利用して,文字のターゲットポーズに到達するための,新たなデータ駆動型動作制御システムを提案する。 提案手法では,経験的ニューラルネットワークモデルを用いて,空間と時間の両方のクラスタの動きを,異なる専門家の重みで解析する。
  論文  参考訳（メタデータ） (2023-08-24T12:56:39Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)

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。