論文の概要: Towards Highly-Constrained Human Motion Generation with Retrieval-Guided Diffusion Noise Optimization
- arxiv url: http://arxiv.org/abs/2605.08054v1
- Date: Fri, 08 May 2026 17:43:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.249276
- Title: Towards Highly-Constrained Human Motion Generation with Retrieval-Guided Diffusion Noise Optimization
- Title（参考訳）: 検索誘導拡散雑音最適化による高制約人体運動生成に向けて
- Abstract要約: ゼロ時間目標関数をカスタマイズした動きを生成するための学習自由拡散雑音最適化フレームワークを提案する。
このフレームワークは、制御可能なキャラクターアニメーションや仮想エージェントの動作合成などのアプリケーションを可能にするために使用される。
- 参考スコア（独自算出の注目度）: 32.04001045559129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating human motion that satisfies customized zero-shot goal functions, enabling applications such as controllable character animation and behavior synthesis for virtual agents, is a critical capability. While current approaches handle many unseen constraints, they fail on tasks with very challenging spatiotemporal restrictions, such as severe spatial obstacles or specified numbers of walking steps. To equip motion generators for these highly constrained tasks, we present a retrieval-guided method built on the training-free diffusion noise optimization framework. The key idea is to search within large motion datasets for guidance that can potentially satisfy difficult constraints. We introduce relational task parsing to group target constraints and identify the difficult ones to be handled by retrieved reference. A better initialization for diffusion noise is then obtained via a reward-guided mask that combines random noise with retrieved noise. By optimizing diffusion noise from this improved initialization, we successfully solve highly constrained generation tasks. By leveraging LLM for relational task parsing, the whole framework is further enabled to automatically reason for what to retrieve, improving the intelligence of moving agents under a training-free optimization scheme.
- Abstract（参考訳）: ゼロショットゴール関数をカスタマイズし、制御可能なキャラクターアニメーションや仮想エージェントの動作合成などのアプリケーションを可能にするヒューマンモーションの生成は、重要な機能である。
現在のアプローチは多くの目に見えない制約に対処するが、厳しい空間障害や特定の歩数など、非常に困難な時空間的制約を伴うタスクでは失敗する。
このような高度に制約されたタスクにモーションジェネレータを装備するために,学習自由拡散雑音最適化フレームワーク上に構築された検索誘導方式を提案する。
鍵となるアイデアは、難しい制約を満たす可能性のあるガイダンスのために、大きなモーションデータセット内で検索することである。
グループ目標制約に対するリレーショナルタスク解析を導入し、検索された参照によって扱うのが困難なタスクを識別する。
拡散雑音に対するより良い初期化は、ランダムノイズと検索された雑音を組み合わせた報酬誘導マスクによって得られる。
この改良された初期化から拡散雑音を最適化することにより、高度に制約された生成タスクの解決に成功している。
LLMをリレーショナルタスク解析に活用することにより、フレームワーク全体を自動で検索し、トレーニング不要の最適化スキームの下で移動エージェントのインテリジェンスを改善することができる。
関連論文リスト
- Retrieving and Refining Winning Noise Tickets for Diffusion-Based Motion Generation [32.824608968455294]
拡散に基づくテキスト・トゥ・モーション・モデルは現実的な人間の動きを合成するが、しばしば入力されたテキストから意味的なドリフトを示す。
WINROは,拡散サンプリング前のチケットを選択・精算することでテキスト移動アライメントを改善するフレームワークである。
WINROは、HumanML3D上で異なるベースモデル(MDMとMotionLCM)間のテキストモーションの忠実度を、再トレーニングなしで一貫して改善する。
論文 参考訳（メタデータ） (2026-07-07T22:32:10Z) - DiRecT: Safe Diffusion-Based Planning via Receding-Horizon Denoising [4.249024052507976]
最適制御(SOC)による拡散モデルからの制約付きサンプリングのためのトレーニング不要アルゴリズムであるDiRecTを導入する。
モデル予測制御にインスパイアされ、不利な制約付き SOC の定式化のために、リテーディング・ホライゾン・サロゲートを導出する。
実験により、DiRecTは既存の拡散ベースの計画ベースラインよりも、デプロイメントの安全性とタスクパフォーマンスを大幅に改善することが示された。
論文 参考訳（メタデータ） (2026-06-13T15:41:26Z) - ANCHOR: Agentic Noise Creation Framework for Human Simulation and Denoising Recommendation [8.940102827747355]
本稿では,最近のLLM-as-User研究に触発されたエージェントベースのフレームワークであるANCHORを提案する。
ANCHORは、ユーザの振る舞いをシミュレートして、現実的なノイズラベルを生成し、ノイズ生成とノイズ認識という2つの段階を通して教師付き雑音を発生させる。
論文 参考訳（メタデータ） (2026-06-04T02:46:31Z) - Learning to Act under Noise: Enhancing Agent Robustness via Noisy Environments [68.02342920827135]
エージェント学習プロセスに環境欠陥を明示的に組み込んだエージェント学習フレームワークであるNoisyAgentを提案する。
実世界のシナリオでは,ユーザインタラクションにおけるあいまいさと可変性を捉えるユーザノイズと,ツール実行における障害や異常を反映するツールノイズという,2つの主要なインタラクションノイズ源を識別する。
広汎な実験により,本手法は騒音および動的環境下でのエージェントの堅牢性を常に改善することを示した。
論文 参考訳（メタデータ） (2026-05-26T16:02:00Z) - CiMRAG: CiM-Aware Domain-Adaptive and Noise-Resilient Retrieval-Augmented Generation for Edge-Based LLMs [10.372308692379404]
Retrieval-Augmented Generation (RAG)は、関連するプロファイルデータを検索し、調整された応答を生成することでパーソナライズするための重要な方法である。
計算メモリ(CiM)アーキテクチャは、メモリと処理ユニット間のデータ移動をin-situ操作によって排除することで、このボトルネックを軽減する。
本稿では,雑音環境におけるRAGのノイズおよびドメイン適応性を改善するフレームワークである,タスク指向型ノイズ-レジリエントな埋め込み学習を提案する。
論文 参考訳（メタデータ） (2026-01-27T20:30:59Z) - Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。
本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。
不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
論文 参考訳（メタデータ） (2026-01-02T09:16:55Z) - Group-Theoretic Reinforcement Learning of Dynamical Decoupling Sequences [9.136190419305427]
動的デカップリングは、パルスビットの位相デコヒーレンスを効果的に瞬間的な電磁パルスのシーケンスを適用することによって緩和しようとする。
提案手法は,ノイズスペクトルの明示的な知識を必要とせずに,劣化するシーケンスを学習できることを実証する。
論文 参考訳（メタデータ） (2025-12-15T20:48:08Z) - Real-Time Iteration Scheme for Diffusion Policy [23.124189676943757]
本稿では,RTI(Real-Time Iteration)スキームにインスパイアされた新しい手法を導入し,推論を高速化する。
本稿では,ロボット操作における把握などの離散的な動作を効果的に扱うためのスケーリング手法を提案する。
提案方式は蒸留や政策の再設計を必要とせず,実行時の計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2025-08-07T13:49:00Z) - One-step Noisy Label Mitigation [86.57572253460125]
ノイズラベルのトレーニング過程に対する有害な影響の軽減がますます重要になっている。
モデルに依存しないノイズラベル緩和パラダイムである1ステップアンチノイズ(OSA)を提案する。
我々はOSAの優位性を実証的に実証し、トレーニングの堅牢性の向上、タスク転送性の向上、デプロイメントの容易性、計算コストの削減を強調した。
論文 参考訳（メタデータ） (2024-10-02T18:42:56Z) - Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2023-09-15T17:10:51Z) - DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-09-09T04:40:01Z) - Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。
4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
論文 参考訳（メタデータ） (2023-01-18T04:54:58Z) - Robust Semantic Communications with Masked VQ-VAE Enabled Codebook [56.63571713657059]
本稿では,ロバストなエンドツーエンドのセマンティック通信システムにおいて,セマンティックノイズに対処するためのフレームワークを提案する。
セマンティックノイズに対処するため、重み付き対向トレーニングを開発し、トレーニングデータセットにセマンティックノイズを組み込む。
ノイズやタスク非関連の特徴を抑える機能重要モジュール (FIM) を開発した。
論文 参考訳（メタデータ） (2022-06-08T16:58:47Z)
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。