論文の概要: MoCHA: Denoising Caption Supervision for Motion-Text Retrieval

• arxiv url: http://arxiv.org/abs/2603.23684v1
• Date: Tue, 24 Mar 2026 19:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.013477
• Title: MoCHA: Denoising Caption Supervision for Motion-Text Retrieval
• Title（参考訳）: MoCHA:モーションテキスト検索のためのキャプションスーパービジョン
• Authors: Nikolai Warner, Cameron Ethan Taylor, Irfan Essa, Apaar Sadhwani,
• Abstract要約: テキスト移動検索システムは、コントラッシブな目的を通じて、モーションキャプチャーペアから共有埋め込み空間を学習する。 標準的なコントラストトレーニングは、各キャプションを単一正のターゲットとして扱い、この分布構造を見渡す。 符号化に先立って各キャプションを再生可能なコンテンツに投影することにより,この分散を低減させるテキスト標準化フレームワークであるMoCHAを提案する。
• 参考スコア（独自算出の注目度）: 13.711042080386166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-motion retrieval systems learn shared embedding spaces from motion-caption pairs via contrastive objectives. However, each caption is not a deterministic label but a sample from a distribution of valid descriptions: different annotators produce different text for the same motion, mixing motion-recoverable semantics (action type, body parts, directionality) with annotator-specific style and inferred context that cannot be determined from 3D joint coordinates alone. Standard contrastive training treats each caption as the single positive target, overlooking this distributional structure and inducing within-motion embedding variance that weakens alignment. We propose MoCHA, a text canonicalization framework that reduces this variance by projecting each caption onto its motion-recoverable content prior to encoding, producing tighter positive clusters and better-separated embeddings. Canonicalization is a general principle: even deterministic rule-based methods improve cross-dataset transfer, though learned canonicalizers provide substantially larger gains. We present two learned variants: an LLM-based approach (GPT-5.2) and a distilled FlanT5 model requiring no LLM at inference time. MoCHA operates as a preprocessing step compatible with any retrieval architecture. Applied to MoPa (MotionPatches), MoCHA sets a new state of the art on both HumanML3D (H) and KIT-ML (K): the LLM variant achieves 13.9% T2M R@1 on H (+3.1pp) and 24.3% on K (+10.3pp), while the LLM-free T5 variant achieves gains of +2.5pp and +8.1pp. Canonicalization reduces within-motion text-embedding variance by 11-19% and improves cross-dataset transfer substantially, with H to K improving by 94% and K to H by 52%, demonstrating that standardizing the language space yields more transferable motion-language representations.
• Abstract（参考訳）: テキスト移動検索システムは、コントラッシブな目的を通じて、モーションキャプチャーペアから共有埋め込み空間を学習する。 しかし、各キャプションは決定論的ラベルではなく、有効な記述の分布からのサンプルである: 異なるアノテータは同じ動きに対して異なるテキストを生成し、動きを回復可能なセマンティクス(アクションタイプ、身体部分、方向)とアノテータ固有のスタイルと、3次元の関節座標だけでは決定できない推論コンテキストを混合する。 標準的なコントラストトレーニングは、各キャプションを単一正のターゲットとして扱い、この分布構造を見下ろし、アライメントを弱める運動内埋め込み分散を誘導する。 符号化に先立って各キャプションを再生可能なコンテンツに投影し,より密な正のクラスタとより分離された埋め込みを生成することで,この分散を低減できるテキスト標準化フレームワークであるMoCHAを提案する。 正準化は一般的な原理であり、決定論的規則に基づく方法でさえ、学習された正準化器ははるかに大きな利得をもたらすが、クロスデータセット転送を改善する。 我々は, LLMに基づくアプローチ (GPT-5.2) と, LLMを必要としないFlanT5を蒸留したモデルについて検討した。 MoCHAは、任意の検索アーキテクチャと互換性のある前処理ステップとして動作する。 MoPa (MotionPatches) に適用すると、MoCHAはHumanML3D (H) とKIT-ML (K) の両方で新しい最先端技術を設定する: LLM 変種は H (+3.1pp) で 13.9% T2M R@1 、K (+10.3pp) で 24.3%、LLM のないT5 変種は +2.5pp と +8.1pp となる。 正準化は、動作中のテキスト埋め込みの分散を11-19%削減し、データセット間の変換を大幅に改善し、HからKへの変換を94%改善し、KからHへの変換を52%改善した。

関連論文リスト

• M3T: Discrete Multi-Modal Motion Tokens for Sign Language Production [56.171224102170015]
  非手動的特徴として, 口づけ, まぶたの上昇, 視線, 頭部運動は文法的に義務付けられ, 手動調音器のみでは回復できない。 既存の3Dプロダクションシステムは、それらを統合するための2つの障壁に直面している。 本稿では,FLAMEのリッチな表現空間とSMPL-X本体を結合したSMPL-FXを提案する。
  論文  参考訳（メタデータ） (2026-03-24T18:05:03Z)
• FG-CLTP: Fine-Grained Contrastive Language Tactile Pretraining for Robotic Manipulation [10.959531491338552]
  本研究では,3次元触覚-言語-アクション(3D-TLA)アーキテクチャをフローマッチングポリシによって構築し,推論と制御を実現する。 提案したFG-Cモデルは95.9%の分類精度を示し、回帰誤差(MAE)を52.6%削減する。 この微細な表現に基づいて,フローマッチングポリシによって駆動される3次元触覚-言語-アクション(3D-TLA)アーキテクチャを構築し,推論と制御を実現する。
  論文  参考訳（メタデータ） (2026-03-11T15:21:54Z)
• DiMo: Discrete Diffusion Modeling for Motion Generation and Understanding [25.254783224309488]
  マスク付きモデリングからテキスト-モーション理解と生成まで拡張した,離散拡散スタイルのフレームワークであるDiMoを提案する。 動きをトークン化し、順次デコードするGPTスタイルの自己回帰アプローチとは異なり、DiMoは繰り返しマスク付きトークン精錬を行う。 HumanML3DとKIT-MLの実験は、強い運動品質と競合する双方向理解を示す。
  論文  参考訳（メタデータ） (2026-02-04T04:01:02Z)
• GrAInS: Gradient-based Attribution for Inference-Time Steering of LLMs and VLMs [56.93583799109029]
  GrAInSは推論時ステアリングのアプローチで、言語のみのモデルと視覚言語の両方のモデルとタスクで動作する。 推論中、GrAInSはトークンレベルの属性信号によって誘導されるトランスフォーマー層で隠されたアクティベーションを隠蔽し、アクティベーションを正規化し、表現スケールを保存する。 微調整と既存のステアリングベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-24T02:34:13Z)
• HVL: Semi-Supervised Segmentation leveraging Hierarchical Vision-Language Synergy with Dynamic Text-Spatial Query Alignment [16.926158907882012]
  本稿では,変圧器を用いたセグメンテーションネットワークにおいて,ドメイン不変のテキスト埋め込みをオブジェクトクエリとして統合する統合型ビジョン・ランゲージフレームワークを提案する。 以上の結果から,言語誘導セグメンテーションはラベル効率ギャップを橋渡しし,より詳細な一般化を可能にした。
  論文  参考訳（メタデータ） (2025-06-16T19:05:33Z)
• Language-Assisted Human Part Motion Learning for Skeleton-Based Temporal Action Segmentation [11.759374280422113]
  骨格に基づくテンポラルアクションは、可変長の骨格配列の高密度な作用分類を含む。 現在のアプローチでは、グラフベースのネットワークを使用して、フレーム単位の全体レベルの動作表現を抽出している。 本稿では,LPL(Language-assisted Human Part Motion Representation)という手法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T20:42:51Z)
• AffineQuant: Affine Transformation Quantization for Large Language Models [58.45460102764]
  ポストトレーニング量子化(PTQ)は、その圧縮効率とトレーニングの文脈における費用対効果により、かなりの関心を集めている。 既存の大規模言語モデル(LLM)のPTQ手法は、事前量子化重みと後量子化重みの間の変換のスケーリングに最適化範囲を制限している。 本稿では,PTQ(AffineQuant)における等価アフィン変換を用いた直接最適化を提唱する。
  論文  参考訳（メタデータ） (2024-03-19T08:40:21Z)
• Repetition Improves Language Model Embeddings [86.71985212601258]
  「echo Embeddings」は、自動回帰言語モデルをアーキテクチャの変更や微調整を必要とせず、強力なテキスト埋め込みモデルに変換する。 我々のゼロショット埋め込みは、マスク付き言語モデリングトレーニングを施した双方向変換LMで得られたものとほぼ一致します。
  論文  参考訳（メタデータ） (2024-02-23T17:25:10Z)
• Multi-body SE(3) Equivariance for Unsupervised Rigid Segmentation and Motion Estimation [49.56131393810713]
  本稿では、SE(3)同変アーキテクチャと、この課題に教師なしで取り組むためのトレーニング戦略を提案する。 本手法は,0.25Mパラメータと0.92G FLOPを用いて,モデル性能と計算効率を両立させる。
  論文  参考訳（メタデータ） (2023-06-08T22:55:32Z)

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。