論文の概要: Motion Attribution for Video Generation

• arxiv url: http://arxiv.org/abs/2601.08828v1
• Date: Tue, 13 Jan 2026 18:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.338028
• Title: Motion Attribution for Video Generation
• Title（参考訳）: 映像生成のためのモーションアトリビューション
• Authors: Xindi Wu, Despoina Paschalidou, Jun Gao, Antonio Torralba, Laura Leal-Taixé, Olga Russakovsky, Sanja Fidler, Jonathan Lorraine,
• Abstract要約: 動き中心の勾配に基づくデータ属性フレームワークであるMotiveを提案する。 我々は、微調整クリップが時間的ダイナミクスを改善するか、または劣化するかを研究するのにそれを使う。 我々の知る限り、これは映像生成モデルにおける視覚的な外観よりも、モーションを属性とする最初のフレームワークである。
• 参考スコア（独自算出の注目度）: 97.2515042185441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the rapid progress of video generation models, the role of data in influencing motion is poorly understood. We present Motive (MOTIon attribution for Video gEneration), a motion-centric, gradient-based data attribution framework that scales to modern, large, high-quality video datasets and models. We use this to study which fine-tuning clips improve or degrade temporal dynamics. Motive isolates temporal dynamics from static appearance via motion-weighted loss masks, yielding efficient and scalable motion-specific influence computation. On text-to-video models, Motive identifies clips that strongly affect motion and guides data curation that improves temporal consistency and physical plausibility. With Motive-selected high-influence data, our method improves both motion smoothness and dynamic degree on VBench, achieving a 74.1% human preference win rate compared with the pretrained base model. To our knowledge, this is the first framework to attribute motion rather than visual appearance in video generative models and to use it to curate fine-tuning data.
• Abstract（参考訳）: 映像生成モデルの急速な進歩にもかかわらず、動きに影響を与えるデータの役割は理解されていない。 本稿では,モティベーション(MOTIon Attribution for Video gEneration)について紹介する。 これを用いて、微調整クリップが時間的ダイナミクスを改善するか、または劣化させるかを研究する。 運動は、運動重み付き損失マスクによる静的な外見から時間的ダイナミクスを分離し、効率的でスケーラブルな運動特異的影響計算をもたらす。 テキストとビデオのモデルでは、モーションに強く影響するクリップを特定し、時間的一貫性と物理的妥当性を向上させるデータキュレーションをガイドする。 本手法は,VBench上での運動のスムーズさと動的度合いを両立させ,事前学習ベースモデルと比較して74.1%の人選好勝利率を達成する。 我々の知る限り、これはビデオ生成モデルにおける視覚的外観よりも動きを属性付けし、微調整データをキュレートする最初のフレームワークである。

関連論文リスト

• A Self-supervised Motion Representation for Portrait Video Generation [19.56640370303683]
  本稿では,コンパクトかつ表現力のある動き表現であるセマンティックラテントモーション(SeMo)を提案する。 提案手法は,高品質な視覚的結果と効率的な推論を両立させる。 我々のアプローチは、現実主義の81%の勝利率を持つ最先端モデルを上回る。
  論文  参考訳（メタデータ） (2025-03-13T06:43:21Z)
• VideoJAM: Joint Appearance-Motion Representations for Enhanced Motion Generation in Video Models [71.9811050853964]
  VideoJAMは、ビデオジェネレータの前に効果的な動きを注入する新しいフレームワークである。 VideoJAMは動きコヒーレンスにおける最先端のパフォーマンスを達成する。 これらの知見は、外観と動きが相補的であり、効果的に統合されると、映像生成の視覚的品質とコヒーレンスの両方を高めることを強調した。
  論文  参考訳（メタデータ） (2025-02-04T17:07:10Z)
• MotionFollower: Editing Video Motion via Lightweight Score-Guided Diffusion [94.66090422753126]
  MotionFollowerは、ビデオモーション編集のための軽量なスコア誘導拡散モデルである。 優れたモーション編集性能を提供し、大きなカメラの動きとアクションのみをサポートする。 最新のモーション編集モデルであるMotionEditorと比較して、MotionFollowerはGPUメモリの約80%の削減を実現している。
  論文  参考訳（メタデータ） (2024-05-30T17:57:30Z)
• MotionCrafter: One-Shot Motion Customization of Diffusion Models [66.44642854791807]
  ワンショットのインスタンス誘導モーションカスタマイズ手法であるMotionCrafterを紹介する。 MotionCrafterは、基準運動をベースモデルの時間成分に注入する並列時空間アーキテクチャを採用している。 トレーニング中、凍結ベースモデルは外見の正規化を提供し、運動から効果的に外見を分離する。
  論文  参考訳（メタデータ） (2023-12-08T16:31:04Z)
• VMC: Video Motion Customization using Temporal Attention Adaption for Text-to-Video Diffusion Models [58.93124686141781]
  Video Motion Customization (VMC) はビデオ拡散モデルに時間的注意層を適応させる新しいワンショットチューニング手法である。 本研究では, 連続するフレーム間の残留ベクトルを運動基準として用いた新しい運動蒸留法を提案する。 実世界のさまざまな動きや状況にまたがる最先端のビデオ生成モデルに対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-12-01T06:50:11Z)
• Motion Matters: Neural Motion Transfer for Better Camera Physiological Measurement [25.27559386977351]
  身体の動きは、ビデオから微妙な心臓の脈を回復しようとするとき、最も重要なノイズ源の1つである。 我々は,遠隔光合成のタスクのために,ニューラルビデオ合成アプローチをビデオの拡張に適用する。 各種の最先端手法を用いて,既存のデータセット間結果よりも47%向上したことを示す。
  論文  参考訳（メタデータ） (2023-03-21T17:51:23Z)

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。