論文の概要: IAM: Identity-Aware Human Motion and Shape Joint Generation

• arxiv url: http://arxiv.org/abs/2604.25164v1
• Date: Tue, 28 Apr 2026 03:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.689786
• Title: IAM: Identity-Aware Human Motion and Shape Joint Generation
• Title（参考訳）: IAM:アイデンティティを意識した人体運動と形状ジョイントジェネレーション
• Abstract要約: 本研究では,身体形態と運動力学の関係を明示的にモデル化した個人認識型運動生成フレームワークを提案する。 動作シーケンスと身体形状パラメータを同時に合成するジョイントモーション-形状生成パラダイムを提案する。 モーションキャプチャデータセットと大規模インザワイルドビデオの実験は、モーションリアリズムの改善とモーションアイデンティティの整合性を実証している。
• 参考スコア（独自算出の注目度）: 14.037850965399384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in text-driven human motion generation enable models to synthesize realistic motion sequences from natural language descriptions. However, most existing approaches assume identity-neutral motion and generate movements using a canonical body representation, ignoring the strong influence of body morphology on motion dynamics. In practice, attributes such as body proportions, mass distribution, and age significantly affect how actions are performed, and neglecting this coupling often leads to physically inconsistent motions. We propose an identity-aware motion generation framework that explicitly models the relationship between body morphology and motion dynamics. Instead of relying on explicit geometric measurements, identity is represented using multimodal signals, including natural language descriptions and visual cues. We further introduce a joint motion-shape generation paradigm that simultaneously synthesizes motion sequences and body shape parameters, allowing identity cues to directly modulate motion dynamics. Extensive experiments on motion capture datasets and large-scale in-the-wild videos demonstrate improved motion realism and motion-identity consistency while maintaining high motion quality. Project page: https://vjwq.github.io/IAM
• Abstract（参考訳）: 近年のテキスト駆動型ヒューマンモーション生成の進歩により、自然言語記述からリアルなモーションシーケンスを合成できるようになった。 しかし、既存のほとんどのアプローチでは、同一性ニュートラル運動を仮定し、正準体表現を用いて運動を生成し、運動力学に対する身体形態学の強い影響を無視している。 実際には、身体の比率、質量分布、年齢などの属性は行動の仕方に大きな影響を与え、この結合を無視することは身体的に矛盾する動きにつながることが多い。 本研究では,身体形態と運動力学の関係を明示的にモデル化した個人認識型運動生成フレームワークを提案する。 明示的な幾何学的測度に頼る代わりに、識別は自然言語の記述や視覚的手がかりを含むマルチモーダル信号を用いて表現される。 さらに,動作シーケンスと身体形状パラメータを同時に合成し,動作動態を直接変調するジョイントモーション-形状生成パラダイムを導入する。 モーションキャプチャデータセットと大規模なインザワイルドビデオに関する大規模な実験は、高いモーション品質を維持しながら、モーションリアリズムとモーションアイデンティティの整合性を改善したことを示している。 プロジェクトページ:https://vjwq.github.io/IAM

関連論文リスト

• Beyond MoCap: Scaling Motion Tokenizers with Synthetic Human Motion for Generative Modeling [32.83313595986613]
  本研究では,大規模合成人間の動きを利用して,動きの表現空間を拡大する枠組みを提案する。 狭義のデータ分布で訓練された従来のトークン化ツールとは異なり,本手法はトレーニング分布と離散コードブックの両方を共同でスケールする。 合成運動を用いた学習が学習運動語彙のカバレッジと構成性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-06-25T20:50:31Z)
• Training-free Motion Factorization for Compositional Video Generation [57.819757612370374]
  複雑な動きを3つの主要カテゴリに分解する運動因子化フレームワークを提案する。 本フレームワークは,実世界のベンチマークにおいて,動作合成における印象的な性能を実現する。
  論文  参考訳（メタデータ） (2026-03-10T02:27:48Z)
• LaMoGen: Laban Movement-Guided Diffusion for Text-to-Motion Generation [28.73306164224967]
  本研究は,テキスト誘導運動生成モデルにラガンエフォートと形状成分の定量化手法をシームレスに統合することにより,人間の動作生成の解釈および表現的制御を実現することを目的とする。 提案手法は,ターゲットラバンタグによる動作特性の操作により,動作の同一性を保ちながら,多様な表現的動作特性が得られる。
  論文  参考訳（メタデータ） (2025-09-29T08:48:49Z)
• PhysiInter: Integrating Physical Mapping for High-Fidelity Human Interaction Generation [35.563978243352764]
  人間のインタラクション生成パイプライン全体に統合された物理マッピングを導入する。 具体的には、物理に基づくシミュレーション環境での運動模倣は、ターゲットの動きを物理的に有効な空間に投影するために使用される。 実験の結果,人間の運動の質は3%～89%向上した。
  論文  参考訳（メタデータ） (2025-06-09T06:04:49Z)
• GENMO: A GENeralist Model for Human MOtion [64.16188966024542]
  本稿では,1つのフレームワークで動作推定と生成を橋渡しする汎用人体運動モデル GENMO を提案する。 我々の重要な洞察は、出力運動が観測された条件信号を正確に満たさなければならないような制約された動き生成として運動推定を再構成することである。 我々の新しいアーキテクチャは、可変長動きと混合マルチモーダル条件(テキスト、オーディオ、ビデオ)を異なる時間間隔で処理し、柔軟な制御を提供する。
  論文  参考訳（メタデータ） (2025-05-02T17:59:55Z)
• Towards Synthesized and Editable Motion In-Betweening Through Part-Wise Phase Representation [29.62788252114547]
  スタイル付きモーションはコンピュータのアニメーションやゲームには不可欠だ。 身体部分レベルでの動作スタイルをモデル化する新しいフレームワークを提案する。 我々のアプローチはよりニュアンスで表現力のあるアニメーションを可能にする。
  論文  参考訳（メタデータ） (2025-03-11T08:44:27Z)
• HUMOS: Human Motion Model Conditioned on Body Shape [54.20419874234214]
  身体形状に基づく生成運動モデルを構築するための新しいアプローチを提案する。 非ペアデータを使ってこのモデルをトレーニングすることが可能であることを示す。 得られたモデルは、多種多様で、物理的に妥当で、動的に安定した人間の動きを生成する。
  論文  参考訳（メタデータ） (2024-09-05T23:50:57Z)
• 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)
• 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)
• Hierarchical Style-based Networks for Motion Synthesis [150.226137503563]
  本研究では,特定の目標地点を達成するために,長距離・多種多様・多様な行動を生成する自己指導手法を提案する。 提案手法は,長距離生成タスクを階層的に分解することで人間の動作をモデル化する。 大規模な骨格データから, 提案手法は長距離, 多様な, もっともらしい動きを合成できることを示す。
  論文  参考訳（メタデータ） (2020-08-24T02:11:02Z)

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。