論文の概要: PALUM: Part-based Attention Learning for Unified Motion Retargeting

• arxiv url: http://arxiv.org/abs/2601.07272v1
• Date: Mon, 12 Jan 2026 07:29:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.260107
• Title: PALUM: Part-based Attention Learning for Unified Motion Retargeting
• Title（参考訳）: PALUM:一元的運動再ターゲティングのための部分的注意学習
• Authors: Siqi Liu, Maoyu Wang, Bo Dai, Cewu Lu,
• Abstract要約: 異なる骨格構造を持つキャラクター間の反発は、コンピュータアニメーションの基本的な課題である。 多様な骨格トポロジーにまたがる共通の動き表現を学習する新しいアプローチを提案する。 実験は、運動リアリズムと意味的忠実性を維持しながら、多様な骨格構造を扱う上で優れた性能を示す。
• 参考スコア（独自算出の注目度）: 53.17113525688095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retargeting motion between characters with different skeleton structures is a fundamental challenge in computer animation. When source and target characters have vastly different bone arrangements, maintaining the original motion's semantics and quality becomes increasingly difficult. We present PALUM, a novel approach that learns common motion representations across diverse skeleton topologies by partitioning joints into semantic body parts and applying attention mechanisms to capture spatio-temporal relationships. Our method transfers motion to target skeletons by leveraging these skeleton-agnostic representations alongside target-specific structural information. To ensure robust learning and preserve motion fidelity, we introduce a cycle consistency mechanism that maintains semantic coherence throughout the retargeting process. Extensive experiments demonstrate superior performance in handling diverse skeletal structures while maintaining motion realism and semantic fidelity, even when generalizing to previously unseen skeleton-motion combinations. We will make our implementation publicly available to support future research.
• Abstract（参考訳）: 異なる骨格構造を持つキャラクタ間の動きの再ターゲティングは、コンピュータアニメーションの基本的な課題である。 ソースキャラクタとターゲットキャラクタが骨の配置が大きく異なる場合、元のモーションのセマンティクスと品質を維持することはますます困難になる。 PALUMは,関節を意味体部分に分割し,時空間的関係を捉えるために注意機構を適用することで,多様な骨格のトポロジ間の共通動作表現を学習する新しいアプローチである。 本手法は,これらの骨格に依存しない表現をターゲット固有の構造情報とともに活用することにより,運動を対象の骨格に伝達する。 学習の堅牢性を確保し, 動きの忠実性を維持するために, リターゲティングプロセスを通じてセマンティック・コヒーレンスを維持するサイクル整合性機構を導入する。 広範囲な実験は、これまで目に見えない骨格と運動の組み合わせに一般化しても、運動リアリズムと意味的忠実性を維持しながら、多様な骨格構造を扱う上で優れた性能を示す。 今後の研究を支援するため、実装を公開します。

関連論文リスト

• AnyTop: Character Animation Diffusion with Any Topology [54.07731933876742]
  我々は,異なる動きダイナミクスを持つ多種多様な文字に対する動きを生成する拡散モデルであるAnyTopを紹介する。 我々の研究は、任意の骨格学習に適したトランスフォーマーベースの認知ネットワークを特徴としている。 我々の評価では、AnyTopsはトポロジー当たりのトレーニング例が3つも少なく、見えない骨格の運動も生成できる。
  論文  参考訳（メタデータ） (2025-02-24T17:00:36Z)
• Neuron: Learning Context-Aware Evolving Representations for Zero-Shot Skeleton Action Recognition [64.56321246196859]
  本稿では,dUalスケルトン・セマンティック・セマンティック・セマンティック・セマンティック・シンジスティック・フレームワークを提案する。 まず、時空間進化型マイクロプロトタイプを構築し、動的コンテキスト認識側情報を統合する。 本研究では,空間的圧縮と時間的記憶機構を導入し,空間的時間的マイクロプロトタイプの成長を導く。
  論文  参考訳（メタデータ） (2024-11-18T05:16:11Z)
• Neural Marionette: Unsupervised Learning of Motion Skeleton and Latent Dynamics from Volumetric Video [5.456297943378056]
  本稿では、動的シーケンスから骨格構造を検出する教師なしアプローチであるNeural Marionetteを提案する。 得られた構造は、4次元の運動列を表す骨格のハンドラベルされた基底真理にさえ匹敵するものであることを実証する。
  論文  参考訳（メタデータ） (2022-02-17T02:44:16Z)
• A Hierarchy-Aware Pose Representation for Deep Character Animation [2.47343886645587]
  深層キャラクタアニメーションに適した動きモデリングのための頑健なポーズ表現を提案する。 我々の表現は、回転方向と位置方向を同時にエンコードする、よく定義された演算を持つ数学的抽象化である二重四元数に基づいている。 我々の表現は共通の動きを克服し、他の一般的な表現と比較してその性能を評価する。
  論文  参考訳（メタデータ） (2021-11-27T14:33:24Z)
• Skeleton-Aware Networks for Deep Motion Retargeting [83.65593033474384]
  骨格間のデータ駆動動作のための新しいディープラーニングフレームワークを提案する。 我々の手法は、トレーニングセットの運動間の明確なペアリングを必要とせずに、再ターゲティングの仕方を学ぶ。
  論文  参考訳（メタデータ） (2020-05-12T12:51:40Z)

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。