論文の概要: Unified Number-Free Text-to-Motion Generation Via Flow Matching
- arxiv url: http://arxiv.org/abs/2603.27040v1
- Date: Fri, 27 Mar 2026 23:10:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.748034
- Title: Unified Number-Free Text-to-Motion Generation Via Flow Matching
- Title（参考訳）: 単数自由テキスト対運動生成Via Flow Matching
- Authors: Guanhe Huang, Oya Celiktutan,
- Abstract要約: 生成モデルは一定数のエージェントの運動合成において優れるが、可変エージェントの一般化に苦慮する。
ピラミッド運動流(P-Flow)とセミノイズ運動流(S-Flow)からなる統一運動流(UMF)を提案する。
UMFは、無数運動生成をシングルパス運動前生成ステージとマルチパス反応生成ステージに分解する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models excel at motion synthesis for a fixed number of agents but struggle to generalize with variable agents. Based on limited, domain-specific data, existing methods employ autoregressive models to generate motion recursively, which suffer from inefficiency and error accumulation. We propose Unified Motion Flow (UMF), which consists of Pyramid Motion Flow (P-Flow) and Semi-Noise Motion Flow (S-Flow). UMF decomposes the number-free motion generation into a single-pass motion prior generation stage and multi-pass reaction generation stages. Specifically, UMF utilizes a unified latent space to bridge the distribution gap between heterogeneous motion datasets, enabling effective unified training. For motion prior generation, P-Flow operates on hierarchical resolutions conditioned on different noise levels, thereby mitigating computational overheads. For reaction generation, S-Flow learns a joint probabilistic path that adaptively performs reaction transformation and context reconstruction, alleviating error accumulation. Extensive results and user studies demonstrate UMF' s effectiveness as a generalist model for multi-person motion generation from text. Project page: https://githubhgh.github.io/umf/.
- Abstract（参考訳）: 生成モデルは一定数のエージェントの運動合成において優れるが、可変エージェントの一般化に苦慮する。
ドメイン固有の限られたデータに基づいて、既存の手法では自己回帰モデルを用いて、非効率性とエラーの蓄積に苦しむ動きを再帰的に生成する。
本研究では、ピラミッド運動流(P-Flow)とセミノイズ運動流(S-Flow)からなる統一運動流(UMF)を提案する。
UMFは、無数運動生成をシングルパス運動前生成ステージとマルチパス反応生成ステージに分解する。
具体的には、UMFは統一潜在空間を使用して、異種運動データセット間の分配ギャップを埋め、効果的な統合トレーニングを可能にする。
運動先行生成では、P-Flowは異なるノイズレベルに条件付き階層分解能で動作し、計算オーバーヘッドを軽減する。
反応生成のために、S-Flowは、反応変換とコンテキスト再構成を適応的に実行し、エラーの蓄積を軽減する共同確率経路を学習する。
テキストから多人数動作生成のための一般化モデルとしてUMFの有効性を示す。
プロジェクトページ: https://githubhgh.github.io/umf/。
関連論文リスト
- Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - Trajectory Stitching for Solving Inverse Problems with Flow-Based Models [68.36374645801901]
フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。
1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。
画像の回復と逆問題に対するMS-Flowの有効性を示す。
論文 参考訳（メタデータ） (2026-02-09T11:36:41Z) - Unified Multi-Modal Interactive & Reactive 3D Motion Generation via Rectified Flow [17.95248351806955]
マルチモーダルな2人動作生成のためのフレームワークであるDualFlowを紹介する。
テキスト、音楽、先行の動作シーケンスを含む様々な入力で動きを合成する。
時間的にコヒーレントでリズミカルに同期した動作を生成し、マルチモーダルな人間の動作生成において最先端の動作を設定する。
論文 参考訳（メタデータ） (2025-09-28T22:36:18Z) - MotionVerse: A Unified Multimodal Framework for Motion Comprehension, Generation and Editing [53.98607267063729]
MotionVerseは、シングルパーソンとマルチパーソンの両方のシナリオで人間の動作を理解し、生成し、編集するフレームワークである。
我々は、連続的な動き列をマルチストリーム離散トークンに変換する残差量子化を伴う動きトークン化器を用いる。
また、残留トークンストリームの符号化を時間的に停滞させる textitDelay Parallel Modeling 戦略も導入する。
論文 参考訳（メタデータ） (2025-09-28T04:20:56Z) - ARFlow: Human Action-Reaction Flow Matching with Physical Guidance [36.052383171690614]
Action-Reaction Flow Matching (ARFlow)は、直接アクションから反応へのマッピングを確立する新しいフレームワークである。
本手法では,身体の浸透を効果的に防止する,フローマッチング(FM)に特化して設計された物理誘導機構を提案する。
論文 参考訳（メタデータ） (2025-03-21T09:41:24Z) - ActionFlow: Equivariant, Accurate, and Efficient Policies with Spatially Symmetric Flow Matching [20.20511152176522]
ActionFlowは、空間対称性誘導バイアスを統合するポリシークラスである。
表現レベルでは、ActionFlowはSE(3)不変トランスフォーマーアーキテクチャを導入している。
ActionFlowは、最先端の深層生成モデルであるFlow Matchingを活用する。
論文 参考訳（メタデータ） (2024-09-06T19:30:36Z) - Efficient Text-driven Motion Generation via Latent Consistency Training [21.348658259929053]
非線形逆拡散軌道を解くための動き潜時整合トレーニングフレームワーク(MLCT)を提案する。
これらの拡張を組み合わせることで、非画素モダリティおよび潜在表現空間における安定かつ一貫性のあるトレーニングを実現する。
論文 参考訳（メタデータ） (2024-05-05T02:11:57Z) - Language Rectified Flow: Advancing Diffusion Language Generation with Probabilistic Flows [53.31856123113228]
本稿では,言語認識フロー (ours) を提案する。
本手法は, 標準確率流モデルの再構成に基づく。
実験およびアブレーション実験により,本手法は多くのNLPタスクに対して汎用的,効果的,有益であることが示されている。
論文 参考訳（メタデータ） (2024-03-25T17:58:22Z) - Motion Flow Matching for Human Motion Synthesis and Editing [75.13665467944314]
本研究では,効率的なサンプリングと効率性を備えた人体運動生成のための新しい生成モデルであるemphMotion Flow Matchingを提案する。
提案手法は, 従来の拡散モデルにおいて, サンプリングの複雑さを1000ステップから10ステップに減らし, テキスト・ツー・モーション・ジェネレーション・ベンチマークやアクション・ツー・モーション・ジェネレーション・ベンチマークで同等の性能を実現する。
論文 参考訳（メタデータ） (2023-12-14T12:57:35Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z)
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。