論文の概要: Motion-Adapter: A Diffusion Model Adapter for Text-to-Motion Generation of Compound Actions

• arxiv url: http://arxiv.org/abs/2604.16135v1
• Date: Fri, 17 Apr 2026 15:08:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.970035
• Title: Motion-Adapter: A Diffusion Model Adapter for Text-to-Motion Generation of Compound Actions
• Title（参考訳）: モーションアダプタ:複合行動のテキスト対運動生成のための拡散モデルアダプタ
• Authors: Yue Jiang, Mingyu Yang, Liuyuxin Yang, Yang Xu, Bingxin Yun, Yuhe Zhang,
• Abstract要約: 本稿では,複合動作の生成において,テキスト間拡散モデルを誘導するプラグイン・アンド・プレイ・モジュールを提案する。 本手法は,多種多様なテキストプロンプトにまたがって,より忠実でコヒーレントな複合動作を連続的に生成する。
• 参考スコア（独自算出の注目度）: 13.380249866020355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in generative motion synthesis have enabled the production of realistic human motions from diverse input modalities. However, synthesizing compound actions from texts, which integrate multiple concurrent actions into coherent full-body sequences, remains a major challenge. We identify two key limitations in current text-to-motion diffusion models: (i) catastrophic neglect, where earlier actions are overwritten by later ones due to improper handling of temporal information, and (ii) attention collapse, which arises from excessive feature fusion in cross-attention mechanisms. As a result, existing approaches often depend on overly detailed textual descriptions (e.g., raising right hand), explicit body-part specifications (e.g., editing the upper body), or the use of large language models (LLMs) for body-part interpretation. These strategies lead to deficient semantic representations of physical structures and kinematic mechanisms, limiting the ability to incorporate natural behaviors such as greeting while walking. To address these issues, we propose the Motion-Adapter, a plug-and-play module that guides text-to-motion diffusion models in generating compound actions by computing decoupled cross-attention maps, which serve as structural masks during the denoising process. Extensive experiments demonstrate that our method consistently produces more faithful and coherent compound motions across diverse textual prompts, surpassing state-of-the-art approaches.
• Abstract（参考訳）: 生成運動合成の最近の進歩は、多様な入力モダリティから現実的な人間の動きを作り出すことを可能にしている。 しかし、複数の同時動作をコヒーレントなフルボディシーケンスに統合するテキストから複合アクションを合成することは、依然として大きな課題である。 現在のテキスト-モーション拡散モデルにおける2つの重要な制限を同定する。 一 時間的情報の不正な取扱いにより、後続の行為が過度に書き直された大惨事 (ii) 注意崩壊は, クロスアテンション機構における過剰な特徴融合から生じる。 その結果、既存のアプローチは、過度に詳細なテキスト記述(例えば、右手を上げる)、明示的なボディ部分の仕様(例えば、上半身を編集する)、あるいはボディ部分の解釈に大規模な言語モデル(LLM)を使用することにしばしば依存する。 これらの戦略は、物理的な構造や運動機構の欠如を招き、歩きながら挨拶などの自然な行動を組み込む能力を制限する。 これらの問題に対処するため,本モジュールは複合行動生成におけるテキスト間拡散モデルを誘導するプラグイン・アンド・プレイモジュールであるMotion-Adapterを提案し,デノナイジングプロセス中に構造マスクとして機能するデカップリング・クロスアテンション・マップを演算する。 大規模な実験により,本手法は多種多様なテキストプロンプトにまたがって,より忠実で一貫性のある複合動作を連続的に生成し,最先端のアプローチを超越していることが示された。

関連論文リスト

• MoReact: Generating Reactive Motion from Textual Descriptions [57.642436102978245]
  MoReactは拡散に基づく手法で、グローバルな軌跡と局所的な動きを連続的に引き離すように設計されている。 2人の動作データセットから適応したデータを用いて,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-09-28T14:31:41Z)
• SALAD: Skeleton-aware Latent Diffusion for Text-driven Motion Generation and Editing [5.123822132804602]
  関節, フレーム, 単語間の複雑な相互関係を捉えるスケルトン対応潜伏拡散(SALAD)モデルを提案する。 生成プロセス中に生成したクロスアテンションマップを利用することで、アテンションベースのゼロショットテキスト駆動モーション編集を可能にする。 提案手法は, 生成品質を損なうことなく, テキスト・モーションアライメントにおいて, 従来手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-03-18T02:20:11Z)
• CASIM: Composite Aware Semantic Injection for Text to Motion Generation [15.53049009014166]
  テキストとモーショントークンの動的対応を学習する複合認識型セマンティックインジェクション機構を提案する。 HumanML3DとKITベンチマークの実験では、CASIMは動きの質、テキスト・モーションアライメント、検索スコアを一貫して改善している。
  論文  参考訳（メタデータ） (2025-02-04T07:22:07Z)
• KinMo: Kinematic-aware Human Motion Understanding and Generation [6.962697597686156]
  現在のヒューマンモーション合成フレームワークは、グローバルなアクション記述に依存している。 ランのような単一の粗い記述は、速度の変動、手足の位置決め、運動力学といった詳細を捉えるのに失敗する。 階層的な記述可能な動作表現に基づいて構築された統合フレームワークであるKinMoを紹介する。
  論文  参考訳（メタデータ） (2024-11-23T06:50:11Z)
• Learning Generalizable Human Motion Generator with Reinforcement Learning [95.62084727984808]
  テキスト駆動型ヒューマンモーション生成は、コンピュータ支援コンテンツ作成において重要なタスクの1つである。 既存の方法は訓練データ中の特定の動作表現に過度に適合することが多く、一般化する能力を妨げている。 一般化可能なヒューマンモーション生成のための強化学習において,パスとエラーのパラダイムを取り入れた textbfInstructMotion を提案する。
  論文  参考訳（メタデータ） (2024-05-24T13:29:12Z)
• AMD:Anatomical Motion Diffusion with Interpretable Motion Decomposition and Fusion [11.689663297469945]
  適応運動拡散モデルを提案する。 入力テキストを簡潔で解釈可能な解剖学的スクリプトのシーケンスにパースするために、LLM(Large Language Model)を利用する。 次に、逆拡散過程における入力テキストと解剖学的スクリプトの影響を均衡させる2分岐融合方式を考案する。
  論文  参考訳（メタデータ） (2023-12-20T04:49:45Z)
• SemanticBoost: Elevating Motion Generation with Augmented Textual Cues [73.83255805408126]
  我々のフレームワークはセマンティック・エンハンスメント・モジュールとコンテキスト調整型モーション・デノイザ(CAMD)から構成されている。 CAMDアプローチは、高品質でセマンティックに一貫性のあるモーションシーケンスを生成するための全エンコンパスソリューションを提供する。 実験の結果,SemanticBoostは拡散法として自己回帰法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-10-31T09:58:11Z)
• Priority-Centric Human Motion Generation in Discrete Latent Space [59.401128190423535]
  テキスト・ツー・モーション生成のための優先中心運動離散拡散モデル(M2DM)を提案する。 M2DMは、コード崩壊に対処するために、グローバルな自己注意機構と正規化用語を組み込んでいる。 また、各動きトークンの重要度から決定される革新的なノイズスケジュールを用いた動き離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T10:40:16Z)

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。