論文の概要: Teacher-Student Diffusion Model for Text-Driven 3D Hand Motion Generation

• arxiv url: http://arxiv.org/abs/2603.24407v1
• Date: Wed, 25 Mar 2026 15:21:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.359152
• Title: Teacher-Student Diffusion Model for Text-Driven 3D Hand Motion Generation
• Title（参考訳）: テキスト駆動型3次元ハンドモーション生成のための教師学習拡散モデル
• Abstract要約: 既存の方法は、全身の動きに焦点を合わせるか、詳細な手の動きを見渡すか、明示的な3Dオブジェクトメッシュを必要とする。 テキスト駆動手動生成のためのモデルに依存しない教師学生拡散フレームワークTSHaMoを提案する。
• 参考スコア（独自算出の注目度）: 54.27025073220947
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generating realistic 3D hand motion from natural language is vital for VR, robotics, and human-computer interaction. Existing methods either focus on full-body motion, overlooking detailed hand gestures, or require explicit 3D object meshes, limiting generality. We propose TSHaMo, a model-agnostic teacher-student diffusion framework for text-driven hand motion generation. The student model learns to synthesize motions from text alone, while the teacher leverages auxiliary signals (e.g., MANO parameters) to provide structured guidance during training. A co-training strategy enables the student to benefit from the teacher's intermediate predictions while remaining text-only at inference. Evaluated using two diffusion backbones on GRAB and H2O, TSHaMo consistently improves motion quality and diversity. Ablations confirm its robustness and flexibility in using diverse auxiliary inputs without requiring 3D objects at test time.
• Abstract（参考訳）: 自然言語からリアルな3Dハンドモーションを生成することは、VR、ロボティクス、人間とコンピュータの相互作用にとって不可欠である。 既存の方法は、全身の動きに焦点を合わせ、詳細な手の動きを見渡すか、明示的な3Dオブジェクトメッシュを必要とするか、一般性を制限する。 テキスト駆動手動生成のためのモデルに依存しない教師学生拡散フレームワークTSHaMoを提案する。 教師は補助的な信号(例えばMANOパラメータ)を活用して、トレーニング中に構造化されたガイダンスを提供する。 共同学習戦略により、推論時にテキストのみを残しながら、教師の中間的予測の恩恵を受けることができる。 GRABとH2Oの2つの拡散バックボーンを用いて評価すると、TSHaMoは運動の質と多様性を一貫して改善する。 アブレーションは、テスト時に3Dオブジェクトを必要とせず、多様な補助入力を使用する際の堅牢性と柔軟性を確認している。

関連論文リスト

• CLUTCH: Contextualized Language model for Unlocking Text-Conditioned Hand motion modelling in the wild [41.0322780136795]
  我々は32Kの3Dハンドモーションシーケンスとアライメントテキストからなるデータセットである「3D Hands in the Wild」(3D-HIW)を紹介する。 次に, LLMに基づく手動アニメーションシステムであるCLUTCHを提案する。 (a) ShiFT, (b) 手動をトークン化する新しいVQ-VAEアーキテクチャ, (b) LLMを微調整する幾何学的洗練段階である。 テキスト・トゥ・モーション・アンド・モーション・トゥ・テキストタスクにおける最先端性能の実証実験により、拡張性のある手動モデリングのための最初のベンチマークが確立された。
  論文  参考訳（メタデータ） (2026-02-19T19:02:22Z)
• Move as You Say, Interact as You Can: Language-guided Human Motion Generation with Scene Affordance [48.986552871497]
  本稿では,シーンアベイランスを中間表現として活用する新しい2段階フレームワークを提案する。 シーンアベイランスマップを活用することで,マルチモーダルな条件下での人間の動きを再現する難しさを克服する。 我々のアプローチは、HumanML3DやHUMANISEなど、確立されたベンチマークのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2024-03-26T18:41:07Z)
• Motion Generation from Fine-grained Textual Descriptions [29.033358642532722]
  我々は,ファインヒューマンML3Dという微細なテキスト記述を専門とする大規模言語移動データセットを構築した。 新しいテキスト2モーションモデルであるFineMotionDiffuseを設計し、微細なテキスト情報をフル活用する。 FineMotionDiffuseはFinHumanML3Dで訓練し,FIDを0.38の差で改善した。
  論文  参考訳（メタデータ） (2024-03-20T11:38:30Z)
• BOTH2Hands: Inferring 3D Hands from Both Text Prompts and Body Dynamics [50.88842027976421]
  両手動作生成のための新しいマルチモーダルデータセットBOTH57Mを提案する。 私たちのデータセットには、人体と手の動きの正確な追跡が含まれています。 また,新しいタスクのための強力なベースライン手法であるBOTH2Handsも提供する。
  論文  参考訳（メタデータ） (2023-12-13T07:30:19Z)
• AttT2M: Text-Driven Human Motion Generation with Multi-Perspective Attention Mechanism [24.049207982022214]
  マルチパースペクティブアテンション機構を持つ2段階手法である textbftT2M を提案する。 本手法は, 定性的, 定量的評価の観点から, 現在の最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2023-09-02T02:18:17Z)
• Generating Holistic 3D Human Motion from Speech [97.11392166257791]
  同期音声を用いた3次元全体体メッシュの高品質データセットを構築した。 次に,顔,体,手が別々にモデル化される新しい音声合成フレームワークを定義する。
  論文  参考訳（メタデータ） (2022-12-08T17:25:19Z)
• TM2T: Stochastic and Tokenized Modeling for the Reciprocal Generation of 3D Human Motions and Texts [20.336481832461168]
  視覚と言語との強い結びつきから着想を得た本論文は,テキストから3次元人間のフルボディ運動の生成を探求することを目的とする。 本稿では,離散的かつコンパクトな動き表現である動きトークンを提案する。 私たちのアプローチは柔軟で、text2motionと Motion2textタスクの両方に使用できます。
  論文  参考訳（メタデータ） (2022-07-04T19:52:18Z)
• TEMOS: Generating diverse human motions from textual descriptions [53.85978336198444]
  テキスト記述から多種多様な人間の動作を生成するという課題に対処する。 本研究では,人間の動作データを用いた可変オートエンコーダ(VAE)トレーニングを利用したテキスト条件生成モデルTEMOSを提案する。 TEMOSフレームワークは,従来のような骨格に基づくアニメーションと,より表現力のあるSMPLボディモーションの両方を生成可能であることを示す。
  論文  参考訳（メタデータ） (2022-04-25T14:53:06Z)
• Body2Hands: Learning to Infer 3D Hands from Conversational Gesture Body Dynamics [87.17505994436308]
  身体の動きと手の動きは、非言語的コミュニケーション設定において強く相関しているという知見に基づいて構築する。 身体の動きのみを入力した場合の3次元手形状の予測タスクとして,この先行学習を定式化する。 本モデルでは,3次元手の動きのみを入力として,手の動きを説得力のある3次元手の動きを生成する。
  論文  参考訳（メタデータ） (2020-07-23T22:58:15Z)

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。